Python正则表达式由浅入深（四）

CDA数据分析师 出品

经过前面三篇连载文章，相信大家对Python的re模块使用正则表达式来匹配字符串已经有所了解。到目前为止，基本上有难度入门知识点都已经学完，我们继续补充还没讲到的知识点，包括：行定位符与转义字符，以及re模块的re.sub()方法和re.split()方法。

行定位符

行定位符是用来描述字符串表姐的符号，"^“表示行的开始，”$"表示行的结尾。

比如我们想要对不同字符串进行匹配，如果字符串是以"企业名称"开头的，那么就匹配企业名称后面的字符：

pattern=’^企业名称.*’

message=‘企业名称：CDA数据科学研究院\n企业名称：广州就学在线科技有限公司\n’

search = re.findall(pattern, message)

search

[‘企业名称：CDA数据科学研究院’]

上面的模式字符串就无法在下面的字符串message_02中匹配到任何结果：

pattern=’^企业名称.*’

message_02=‘邮箱：1918560461@qq.com’

search = re.search(pattern, message_02)

search

如果需要匹配符合条件的行尾，可以使用"$"符号。比如想要匹配字符串结尾为"研究院"的字符串：

pattern=’.*研究院$’

message=‘企业名称：CDA数据科学研究院’

search = re.search(pattern, message)

search

<re.Match object; span=(0, 15), match=‘企业名称：CDA数据科学研究院’>

如果学习过前面连载文章的同学可能会想起来，"^"符号在正则表达式不就是前面说的排除字符吗？为什么这里又变成行定位符了？

这里需要为大家对这种现象做一个区分："^"符号只有在中括号里面使用才会对中括号类的字符起到排除作用。比如下面的字符串中，记载了很多姓氏：

message=“吴史奥范夏刘川”

如果想要提取"奥"、"川"以外的姓氏，该怎么提取？

这个时候就可以使用正则表达式的中的排除字符"^{"，可能大家会觉得很奇怪，这个不就是前面的行定位符吗？这里需要补充说明的就是:如果符号"}"使用在方括号中，就会对方括号内部的字符起到单独的排除作用：

pattern=’[^奥川]’

message=“吴史奥范夏刘川”

re.findall(pattern,message)

[‘吴’, ‘史’, ‘范’, ‘夏’, ‘刘’]

那么我们就会发现，除了前面模式字符串的方括号中的两个字符"奥"、"川"以外的所有字符都被提取出来了。

re.sub()方法

前面的连载文章介绍了re模块的3大方法，包括re.match()、re.search()、re.findall()，这些都是用来对字符串进行匹配的方法。除此以外还有re.sub()和re.split()方法,分别用来对字符串作替换和分裂操作。我们先讲解re.sub()方法

如果想要将字符串中正则表达匹配到的字符替换掉，该怎么做？比如下面字符串中的"川"字开头的名称替换成字符"***"，该怎么做？ 这时就可以使用re.sub()方法。

message=“吴港德 吴浩问 史珍香 川普 廖蓝莹 范统 川建国 夏建仁 刘产”

re.sub()方法的语法格式如下：

re.sub(pattern,repl,string,count,flags)

· pattern:模式字符串

· repl:表示替换的字符串

· string:被匹配和替换的字符串

· count:可选参数，表示替换的最大次数，默认是替换所有

· flags:可选字符串，表示标志位

继续我们前面提及的任务，我们使用re.sub()方法就可以用将message中的"川"字开头的名称替换成字符"***":

pattern=r"\b川.{2,3}"

message=“吴港德 吴浩问 史珍香 川普 廖蓝莹 范统 川建国 夏建仁 刘产”

re.sub(pattern,"***",message)

'吴港德  吴浩问  史珍香 ***蓝莹 范统 ***夏建仁 刘产'

re.split()方法

re模块中的字符串分割方法和Python字符串对象中的split()很像，只不过re模块中的分割方法是通过正则表达式匹配分割符，其语法如下：

re.split(pattern,string,[maxsplit],[flags])

· pattern:模式字符串

· string:被匹配和替换的字符串

· maxsplit:可选参数，表示最大的拆分次数

· flags:可选参数，表示标志位

比如我们想要提取下面message中被@的网名"端木天",“一米阳光”、“知行一”:

message="@端木天@一米阳光@知行一"

使用re.split()提取如下：

pattern=r’@’

message="@Evan.P@端木天@一米阳光@知行一 "

re.split(pattern,message)

[’’, ‘Evan.P’, ‘端木天’, ‘一米阳光’, '知行一 ']

正则表达式小案例

到此为止，我们的正则表达式基础知识就介绍到这里，下面通过一小案例让大家体会一下正则表达式的使用——提取字符串中的邮件名，比如我们有下述的字符串：

text = “”"Dave dave@google.com

Steve steve@gmail.com

Rob rob@gmail.com

Ryan ryan@yahoo.com"""

邮箱地址以"@“符号为标记，”@“符号左边一直到空格键，”@"符号右边一直到换行符，是一个邮件地址。

“@“左边是登录名，包括大小写英文字母和数字，模式字符串可以写成”[A-Z0-9]+”。

"@“右边是域名，域名以”.“符号为分隔，”.“左边是主机名，”."右边是域名。

主机名主要构成也是大小写英文字母和数字，模式字符串可以写成"[A-Z0-9]+"。

域名的主要组成是小写英文字母，长度为2~4，模式字符串可以写成[A-Z]{2,4}。

如果想要在匹配的时候忽略大小写，可以在re.findall()方法中设定好参数flags=re.IGNORECASE。

但是需要注意的是，由于邮件地址中有".“符号，而”.“符号在正则表达式中是表示出了换行符以外的任意字符，因此在写模式字符串的时候，”.“之前需要添加转义字符”"：

text = “”"Dave dave@google.com

Steve steve@gmail.com

Rob rob@gmail.com

Ryan ryan@yahoo.com"""

pattern = r’[A-Z0-9]+@[A-Z0-9]+.[A-Z]{2,4}’

re.IGNORECASE使正则表达式不区分大小写

re.findall(pattern,text, flags=re.IGNORECASE)

[‘dave@google.com’, ‘steve@gmail.com’, ‘rob@gmail.com’, ‘ryan@yahoo.com’]