python正则提取字符串_正则表达式范围匹配

最新推荐文章于 2024-04-11 22:29:24 发布

weixin_39749243

最新推荐文章于 2024-04-11 22:29:24 发布

阅读量898

点赞数

文章标签： python正则提取字符串正则匹配字符串无匹配不到正则匹配限制数字范围正则提取特定后的数字正则表达式 .*? 正则表达式任意字符除了

前言

近期小编在进行评测语料的制作时，涉及到一些复杂字符串的过滤和提取等内容，例如找出某一句话中在某个特定语句结构下出现的文字，虽然使用循环，if-else等语句可以搞定，但是比较麻烦，使用正则表达式处理就比较方便。

No.1

正则表达式定义

正则表达式，又称正规表达式(英文：Regular Expression，RE)，它使用单个字符串来描述，匹配一系列符合某个句法规则的字符串，在很多的文本编辑器里，正则表达式通常被用来检索和替换那些匹配某个模式的文本。

No.2

正则表达式使用

举个栗子，假设使用爬虫获得一个HTML源码，其中一段为：

str1=r"<html><body><h1>hello.world<h1>body>html><h1>hello:world<h1><h1>helloAworld<h1>"

这时候如果想提取所有的hello(x)world，通常需要对字符串进行split操作等，但是当第二个

变为

, 问题就会变得复杂起来。而用如下正则表达式则可以直接将hello (x)word提取出来：

import rep1 = r"hello.world"pattern =re.compile(p1)print(re.findall(pattern, str1))

其中，p1为正则表达式字符串，hello与world之间的“.”为一个可以匹配任何字符的元字符(后面有介绍)，pattern为经过编译后得到的正则表达式对象，这样做的目的是便于后面的匹配中可以复用，上述表达式得到结果为：

No.3

正则表达式匹配方法

除了上面介绍的findall方法之外，正则表达式常用的匹配方法还有 match和search，三者之间的区别为：

match：从字符串的起始位置匹配正则表达式，如果匹配，就返回匹配成功的结果；如果不匹配，就返回None；

search: 它在匹配时会扫描整个字符串，然后返回第一个成功匹配的结果，如果搜索完了还没找到，则返回None；

findall: 该方法会搜索整个字符串，然后返回一个list，匹配正则表达式的所有内容。

No.4

正则表达式范围匹配

在一段字符串内，我们可以在一段范围内选择要或者不要某些字符，例如有如下字符串：

str2 = r"lap &ap nap rap xap xap pap"

对于str2，我们想要除了&ap之外的所有正常的字符串，通过如下表达式即可完成：

p2 = r"[lnrxp]ap"      #字母开头ap都要pattern = re.compile(p)print (re.findall(pattern,str2))

上述代码得到的结果为：

上述正则表达式中，对于str2中存在类别较少的(x)ap，当有26个字母并且区分大小写时使用该语句显然不现实，Python内置了很多简洁的正则表达式，避免我们在提取的过程中需要把想要的字母一个个写出来，常见的有：

[0-9]0123456789任意之一
[a-z]小写字母任意之一
[A-Z]大写字母任意之一
\d 等同于[0-9]
\D 等同于[^0-9]即匹配非数字
\w 等同于[a-z0-9A-Z]匹配大小写字母，数字和下划线
\W 等同于上一条取非

因此对于上述正则表达式p2，使用r"\wap",r“[a-z]ap”得到的结果是一样的。此外我们在前面已经介绍过“.”元字符，在p2中，“[]”也是一个元字符，它表示的是当前表达式匹配[]内任意的字符。Python中还内置了很多元字符，方便了我们在写正则表达式时能够更简洁的表述。读者可以访问一下网址来查看定义：https://www.runoob.com/regexp/regexp-metachar.html。

No.5

正则表达之贪心与懒惰

假设有如下字符串：

str3 = r"sogoutest@sogou-inc.com.cn"

我们想要把str3中从@开始一直到“.”之前的内容匹配出来，则可以这样去实现

p3 = r"@.+\."pattern= re.compile(p3)print (re.findall(pattern,str3))

其中，“+”也是也是一个元字符，表示匹配前面的最近的字符一次或多次，可以看到，此时表达式尽可能多地进行匹配，匹配到了com后面的“.”,即贪心模式。若只想匹配到第一个点结束，即可使用如下语句改为懒惰模式。

p3 = r"@.+?\."pattern= re.compile(p3)print (re.findall(pattern,str3))

此时我们可以看到，结果在匹配到inc后面的“.”就结束了。

参考链接：

1.https://www.py.cn/spider/guide/14488.html

2.https://www.py.cn/faq/python/12021.html

3.https://www.runoob.com/regexp/regexp-metachar.html

结语

2020/03/17

正则表达式在处理字符串时作用很大，结合Python提供的元字符列表可以实现功能更多更复杂的语句，针对同一个问题的解决方式可能会有很多种，需要在平时使用中加以运用熟练掌握。

weixin_39749243

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
python正则提取字符串_正则表达式范围匹配

前言近期小编在进行评测语料的制作时，涉及到一些复杂字符串的过滤和提取等内容，例如找出某一句话中在某个特定语句结构下出现的文字，虽然使用循环，if-else等语句可以搞定，但是比较麻烦，使用正则表达式处理就比较方便。No.1正则表达式定义正则表达式，又称正规表达式(英文：Regular Expression，RE)，它使用单个字符串来描述，匹配一系列符合某个句法规则的字符串，在很多的文本编...
复制链接

扫一扫