自然语言处理 | (3)正则表达式

目录

1.正则表达式简介

2.正则表达式语法

2.学习和验证工具

3.挑战与提升

4.在Python中使用正则表达式

5.Python正则表达式简单例子

---

1.正则表达式简介

正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。

在大文本中匹配字符串时，有些情况用上一节学习的str自带的函数(如index,find,in等)可能可以完成，有些复杂的情况(如找出所有邮箱或URL形式的字符串，所有和sdu/netease相关的句子)，str自带的函数一般适用于精确匹配，这种复杂的情况我们就需要使用强大的正则表达式了。

自然语言处理的各种模型和算法要发挥作用离不开"干净"的数据，而现实生活中的数据形态和干净程度不一，我们经常要做一些数据清洗和信息抽取的工作，这时正则表达式就可以发挥其强大的匹配功能了。正则表达式是一套引擎，并不是Python语言独有的功能或这工具库，下面先了解一下正则表达式，然后学习在Python中如何使用正则表达式。

 

2.正则表达式语法

下图是Python正则表达式小抄，我们可以遵循一般字符、预定义字符集、数量词、边界匹配、逻辑分组和特殊构造的逻辑进行逐步学习。

当我们要匹配 一个/多个/任意个 数字/字母/非数字/非字母/某几个字符/任意字符，想要 贪婪/非贪婪 匹配，想要捕获出来 第一个/所有 内容时，记得参考下面这个手册：

 

3.学习和验证工具

有了上述的手册，我们可以使用正则表达式在线验证工具http://regexr.com/ 来实践上图中的内容，可以通过在线的方式学习和验证正则表达式的对错，左边还有对应的工具和速查表。

 

4.挑战与提升

做自然语言处理的同学应该要对正则表达式非常熟悉，只要符合某种规律或模式的串，一般能分分钟匹配出来。正则表达式属于"短时间内习得且受益终身的技能".

可以在这里正则表达式进阶练习练习正则表达式，挑战更复杂的正则表达式。

该网站有大量的正则表达式练习题，在输入框中输入正则表达式，后面的数字代表表达式用的字符数。该表达式需要满足能匹配左边的所有字符串中的子串同时不匹配右边的所有字符串。

这篇博客提供了一些参考答案。可以每天抽时间进行练习。

 

5.在Python中使用正则表达式

• re模块

Python通过re模块提供对正则表达式的支持。

使用re模块的一般步骤：

1.将正则表达式的字符串形式编译为Pattern实例

2.使用Pattern实例处理文本并获得匹配结果(一个Macth实例)

3.使用Match实例获得信息，并进行其他的操作

# encoding: UTF-8
import re  #导入re模块
 
# 将正则表达式的字符串形式编译成Pattern对象
pattern = re.compile(r'hello.*\!') #r=raw
 
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello, CoreJT! How are you?')
 
if match:
    # 使用Match获得分组信息
    print(match.group())

re.compile(strPattern[,flag]):

这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式strPattern编译为Pattern对象；第2个参数flag是缺省参数，表示匹配模式，取值可以使用按位或运算符'|'表示同时生效，如re.l | re.M。当然也可以在正则表达式字符串中指定模式，re.compile('strPattern',re.I|re.M)等价于re.compile('(?im)strPattern')

flag可选值：

1. re.l(re.IGNORECASE):忽略大小写

2. re.M(MULTILINE):多行模式，改变'^'和'$'的行为(参见上面的正则表达式小抄)

3. re.S(DOTALL):点任意匹配模式。改变'.'的行为

4. re.L(LOCALE):使预定字符类\w \W \b \B \s \S取决于当前区域设定

5. re.U(UNICODE):使预定字符类\w \W \b \B \s \S取决于unicode定义的字符属性

6. re.X(VERBOSE):详细模式。该模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。

#以下两个正则表达式等价
regex_1 = re.compile(r"""\d +  # 数字部分
                         \.    # 小数点部分
                         \d *  # 小数的数字部分""", re.X)
regex_2 = re.compile(r"\d+\.\d*")

• Match

Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。

match对象的属性：

1. string: 匹配时使用的文本。

2. re: 匹配时使用的Pattern对象。

3. pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

4. endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。

5. lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。

6. lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。

 

match对象的方法：

1. group([group1, …]): 获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。

2. groups([default]): 以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。

3. groupdict([default]): 返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。

4. start([group]): 返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。

5. end([group]): 返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。

6. span([group]): 返回(start(group), end(group))。

7. expand(template): 将匹配到的分组代入template中然后返回。template中可以使用\id或\g、\g引用分组，但不能使用编号0。\id与\g是等价的；但\10将被认为是第10个分组，如果你想表达\1之后是字符'0'，只能使用\g<1>0。

import re

pattern = re.compile(r'(\w+) (\w+)(?P<sign>.*)')
m = pattern.match('hello CoreJT!')
#也可以简写
#m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello CoreJT!')
 
print("m.string:", m.string)
print("m.re:", m.re)
print("m.pos:", m.pos)
print("m.endpos:", m.endpos)
print("m.lastindex:", m.lastindex)
print("m.lastgroup:", m.lastgroup)
 
print("m.group(1,2):", m.group(1, 2))
print("m.groups():", m.groups())
print("m.groupdict():", m.groupdict())
print("m.start(2):", m.start(2))
print("m.end(2):", m.end(2))
print("m.span(2):", m.span(2))
print(r"m.expand(r'\2 \1\3'):", m.expand(r'\2 \1\3'))

• Pattern

Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

Pattern不能直接实例化，必须使用re.compile()进行构造。

Pattern提供了几个可读属性用于获取表达式的相关信息：

1. pattern: 编译时用的表达式字符串。

2. flags: 编译时用的匹配模式。数字形式。

3. groups: 表达式中分组的数量。

4. groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

import re
p = re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)
 
print("p.pattern:", p.pattern)
print("p.flags:", p.flags)
print("p.groups:", p.groups)
print("p.groupindex:", p.groupindex)

Pattern对象的方法：

1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]): 这个方法将从string的pos下标处起尝试匹配pattern:

如果pattern结束时仍可匹配，则返回一个Match对象

如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。

pos和endpos的默认值分别为0和len(string)。 

*注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。 *

2. search(string[, pos[, endpos]]) | re.search(strPattern, string[, flags]): 这个方法从string的pos下标处起尝试匹配pattern

如果pattern结束时仍可匹配，则返回一个Match对象

若无法匹配，则将pos加1后重新尝试匹配，直到pos=endpos时仍无法匹配则返回None。

pos和endpos的默认值分别为0和len(string))

# encoding: UTF-8 
import re 

# 将正则表达式编译成Pattern对象 
pattern = re.compile(r'C.*T') 
 
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None 
# 这个例子中使用match()无法成功匹配 
match = pattern.search('hello CoreJT!') 

'''
#简写
match = re.search(r'C.*T','hello CoreJT!')
'''
if match: 
    # 使用Match获得分组信息 
    print(match.group())

3. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):

按照能够匹配的子串将string分割后返回列表

maxsplit用于指定最大分割次数，不指定将全部分割。

import re
 
p = re.compile(r'\d+')
print(p.split('one1two22three3four4'))


#简写
#print(re.split(r'\d+','one1two2three3four4'))

4.  findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):

搜索string，以列表形式返回全部能匹配的子串。

import re
 
p = re.compile(r'\d+')
print(p.findall('one1two22three3four456'))

#简写
#print(re.findall(r'\d+','one1two22three3four456'))

5. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):

搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

import re
 
p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
    print(m.group())

#简写
'''
for m in re.finditer(r'\d+','one1two2three3four4'):
    print(m.group())
'''

6. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

使用repl替换string中每一个匹配的子串后返回替换后的字符串。

        当repl是一个字符串时，可以使用\id或\g、\g引用分组，但不能使用编号0。

        当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello CoreJT!'
 
print(p.sub(r'\2 \1', s))
print(p.sub('',s)) #数据清洗时 通常找到无用的子串 替换为空

'''
#简写
print(re.sub(r'(\w+) (\w+)',r'\2 \1', s))
print(re.sub(r'(\w+) (\w+)','',s)) #数据清洗时 通常找到无用的子串 替换为空
'''

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.sub(func, s))

7. subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]): 

返回 (sub(repl, string[, count]), 替换次数)。

import re
 
p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello hanxiaoyang!'
 
print(p.subn(r'\2 \1', s))
 
'''
#简写
print(re.subn(r'(\w+) (\w+)',r'\2 \1', s))
print(re.subn(r'(\w+) (\w+)','',s)) 
'''

def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.subn(func, s))

6.Python正则表达式简单例子

在用爬虫爬取数据后，我们通常会用正则表达式对数据进行清洗或提取有用的信息，最后得到'干净的'数据。

当然，清洗和提取的方法有很多，比如beautifulSoup、css标签选择器等，不过这些都在一些特定的情况下有用，而正则表达式是通用的。

# 引入爬虫工具库
import requests as rq
import re

# 发送请求
page = rq.get("https://baike.sogou.com/v231013.htm") #搜狗百科
# 返回状态码正常
print(page.status_code)
#使用正则表达式对网页文本进行抽取
title_pattern = re.compile(r'<h1 id="title".*?>(.*?)</h1>') 
title = title_pattern.search(page.text) 
print(title.group(1))

# 词条正则表达式抽取
content_pattern = re.compile(r'<p>(.*?)<\\/p>') 
contents = content_pattern.findall(page.text) 
print(contents)

print(list(map(lambda x:re.sub("<a .*?>|<\\\/[ab]>", "",x), contents)))