Python从0到100（三十九）：数据提取之正则

前言： 零基础学Python：Python从0到100最新最全教程。 想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学习学习和学业的先行者！
欢迎大家订阅专栏：零基础学Python：Python从0到100最新最全教程！

1 什么是正则表达式

正则表达式是一种文本模式，包括普通字符（例如，字母和数字）以及特殊字符（称为“元字符”）。这些元字符没有文字意义，它们用来定义搜索模式，这个模式可以用来检查一个字符串是否符合我们定义的规则，或者从一个文本中提取出符合规则的子串。

2 正则表达式的常见语法

知识点

• 正则中的字符：普通字符和特殊字符。
• 正则中的预定义字符集：如\d匹配任何十进制数字，\w匹配任何字母数字字符等。
• 正则中的数量词：如*（零次或多次），+（一次或多次），?（零次或一次）等。

语法示例

• .：匹配任意单个字符（除了换行符）。
• ^：匹配输入字符串的开始位置。
• $：匹配输入字符串的结束位置。
• []：匹配方括号内的任意字符（例如，[abc]匹配"a"、“b"或"c”）。
• |：逻辑或操作符（例如，cat|dog匹配"cat"或"dog"）。
• ()：将多个表达式组合成一个子表达式，也可以用于捕获匹配的子字符串。

3 re模块的常见方法

方法列表

• re.match：从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功则返回None。
• re.search：扫描整个字符串，搜索第一个位置的匹配。
• re.findall：找出字符串中所有匹配的子串，并把它们作为列表返回。
• re.sub：替换字符串中的一些子串。
• re.compile：编译正则表达式，提高效率。

代码示例

import re

# 查找所有数字
result = re.findall(r'\d+', 'chuan 123 zhi 456')
print(result)  # 输出: ['123', '456']

# 替换数字为下划线
modified_string = re.sub(r'\d', '_', 'chuan 123 zhi 456')
print(modified_string)  # 输出: 'chuan _ _ zhi _ _'

# 编译正则表达式
pattern = re.compile(r'\d+', re.S)
found = pattern.findall('123 456 789')
print(found)  # 输出: ['123', '456', '789']

4 Python中原始字符串r的用法

原始字符串定义

原始字符串（raw string）通过在字符串前加上r或R来定义，表示字符串中的反斜杠\不应该作为转义字符。

代码示例

# 原始字符串与普通字符串的区别
print(r'\n')  # 输出: \n
print('\n')   # 输出: （换行）

# 原始字符串的长度
print(len(r'\n'))  # 输出: 2
print(len('\n'))   # 输出: 1

5 匹配中文

代码示例

import re

# 匹配中文字符
title = u'你好，hello，世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)

print(result)  # 输出: ['你好', '世界']

6 正则表达式的应用场景

• 验证输入（如邮箱、电话号码等格式）
• 搜索和替换文本
• 从日志文件中提取信息
• HTML/XML解析等

正则表达式是文本处理的强大工具，掌握其语法和使用方式对于编程和数据处理非常重要。