NLP(02)_Python正则表达式

Python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。

我们在大文本中匹配字符串时，有些情况用str自带的函数(比如index, find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串，所有和xiniuedu/netease相关的句子)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。

自然语言处理的各种模型和算法要发挥作用离不开数据，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，这时候正则表达式就可以发挥及其强大的匹配功能了。说起来，正则表达式是一套引擎，并不是Python语言独有的功能或者工具库，下面我们就来了解一下正则表达式吧。

1.学习与验证工具

我们最喜爱的正则表达式在线验证工具之一是http://regexr.com/ ，大家可以在线的方式学习与验证正则表达式的对错，左边还有对应的工具和速查表。

2.正则表达式语法

下面是一张有些同学比较熟的图，我们俗称python正则表达式小抄，大家可以遵循一般字符、预定义字符集、数量词、边界匹配、逻辑分组 和 特殊构造的逻辑去逐步学习。

当你要匹配 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，想要捕获匹配出来的 第一个/所有 内容的时候，记得这里有个小手册供你参考。

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，在若干年前硕士刚毕业时曾有一段时间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。正则表达式属于“短时间内习得且受益终身的技能”

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

各位宝宝enjoy yourself

4.Python案例

re模块

Python通过re模块提供对正则表达式的支持。

使用re的一般步骤是

• 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Match实例）
• 3.使用Match实例获得信息，进行其他的操作。

# 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())

->hello, hanxiaoyang!

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：hello, hanxiaoyang!

• 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：

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)