正则表达式
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。在自然语言处理,爬虫等方面有着重要的作用。废话少说,我们直接看内容。
1、语法
下面一个关于正则表达式的一些规则。
2.验证工具
正则表达式的学习少不了联系,自己埋头练习比较枯燥,这里找到一个比较好的线上验证。网址https://regexr.com/。比较好用。
3.挑战与提升¶
长期做自然语言处理的同学正则表达式都非常熟,曾经有半年写了大量的正则表达式,以至于同事间开玩笑说,只要是符合某种规律或者模式的串,肯定分分钟能匹配出来。
对于想练习正则表达式,或者短期内快速get复杂技能,or想挑战更复杂的正则表达式的同学们。 请戳正则表达式进阶练习
so, 各位宝宝enjoy yourself
4、python案例
python通过re模块提供正则表达式的支持
使用re模块的步骤:
1)将正则表达式的字符串形式编译成Patter实例
2)使用实例处理文本并获得匹配结果
3)使用结果处理其他操作
注:re.compile编译可以避免多次编译拖慢速度
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编译为Pattern对象。
第二个参数flag是匹配模式,取值可以使用按位或运算符’|'表示同时生效,比如re.I | re.M。
当然,你也可以在regex字符串中指定模式,比如re.compile(‘pattern’, re.I | re.M)等价于re.compile(’(?im)pattern’)
flag可选值有:
•re.I(re.IGNORECASE): 忽略大小写(括号内是完整写法,下同)
•re.M(MULTILINE): 多行模式,改变’^‘和’$‘的行为(参见上图)
•re.S(DOTALL): 点任意匹配模式,改变’.'的行为
•re.L(LOCALE): 使预定字符类 \w \W \b \B \s \S 取决于当前区域设定
•re.U(UNICODE): 使预定字符类 \w \W \b \B \s \S \d \D 取决于unicode定义的字符属性
•re.X(VERBOSE): 详细模式。这个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是等价的:
# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello.*\!')
# 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, hanxiaoyang! How are you?')
if match:
# 使用Match获得分组信息
print match.group()
输出:hello, hanxiaoyang!
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属性:
•string: 匹配时使用的文本。
•re: 匹配时使用的Pattern对象。
•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。
•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。
•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。
•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。
方法:
•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。
•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。
•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。
•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。
•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。
•span([group]):
返回(start(group), end(group))。
•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
m = re.match(r'(\w+) (\w+)(?P<sign>.*)', 'hello hanxiaoyang!')
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:
•pattern: 编译时用的表达式字符串。
•flags: 编译时用的匹配模式。数字形式。
•groups: 表达式中分组的数量。
•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)
print(p.flags)
print(p.groups)
print(p.groupindex)
使用pattern
•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’$’。
•search(string[, pos[, endpos]]) | re.search(pattern, 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))
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('one1two2three3four4'))
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('one1two2three3four4'))
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 i in p.finditer('one1two2three3'):
print (i.group())
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+), (\w+)')
s = 'i say, hello hanxiaoyang!'
print(p.sub(r' \3 \2 \1', s))
def func(m):
return m.group(1).title() + ' ' + m.group(2).title()
print (p.sub(func, s))