python中正则表达式的详细说明

自从学习Python后，发现Python经常被用作工具。尤其是在文本处理中，它很容易使用。

说到文本处理，正则表达式一定是一个极好的工具，它可以非常简洁的方式搜索或替换一些复杂的字符。

当我们处理文本时，我们要么查询并抓取它，要么替换它。

1.搜索如果你想自己实现这样的功能模块，输入一个ip地址，获取ip地址所在区域的详细信息。

然后你会发现http://ip138.com可以找到非常详细的数据

但是人们没有为外部调用提供api，但是我们可以通过代码模拟查询，然后抓取结果。

通过查看这个对应页面的源代码，我们可以发现结果被放置在三个li/li中

复制代码如下：表宽=' 80% '边框=' 0 ' align=' center ' cell padding=' 0 ' cell spacing=' 0 ' Tr TD align=' center ' h3ip138.com IP查询(搜索IP地址的地理位置)/H3/TD/Tr TD align=' center ' h1您查询的IP是：121 . 0 . 29 . 231/h1/TD/Tr Tr TD align=' center ' ul class=' ul1 ' liMaster本网站数据：阿里巴巴， 浙江省杭州市/Li/ul/TD/tr TD align=' center '如果您发现查询结果不详细或不正确，请使用a href='ip_add.asp？ Ip=121 . 0 . 29 . 231 ' font color=' # 006600 '自助添加IP数据库/font/a函数以更正br/br/iframe src=' http :/jss/BD _ 460 X60 . htm ' frame border=' no ' width=' 460 ' height=' 60 ' border=' 0 ' margin width=' 0 ' marginheight=' 0 '滚动=' no '/iframe br/br//TD/aTr td align='center'IP地址或域名：输入类型=' text' name=' IP' size=' 16 '输入类型=' submit' value=' query '输入类型=' hidden ' name=' action ' value=' 2 '/TD/trbrbr/form/table

如果你知道正则表达式，你可能会写

正规表达式

复制代码如下：(？=li)。*?(?=/li)

这里用的是前瞻：向前看，向后看：这样做的好处是匹配结果将不包含html li标记。

如果你对自己的正则表达式没有信心，可以在一些在线或者本地的正则测试工具上做一些测试，确保它们的正确性。

接下来的工作是，如果我们使用Python来实现这个函数，我们必须首先表达正则表达式：

复制代码如下：r '(？=li)。*?(?=/li)

在Python中，前导的R字符加在字符串前面，这意味着字符串是R aw String(原始字符串)，也就是说Python字符串本身不会转义字符串中的字符。这是因为正则表达式也有转义字符，如果是双转义的话可读性很差。

这个字符串在Python中被称为“正则表达式模式”

如果我们编译模式，

复制代码如下：prog=re.compile(r '(？=li)。*?(?=/li)')

我们可以得到一个正则表达式对象，正则表达式对象，通过它我们可以执行相关的操作。

例如

复制代码如下：结果=Prog。match (string) # #这相当于result=re.match(r '(？=li)。*?(?=/li)'，string) ##但是如果这个规则需要在程序中多次匹配，那么传递正则表达式对象会更有效率

下一步是搜索，假设我们的html结果已经以html格式存储在文本中，然后传递

复制代码如下：result_list=re.findall(r '(？=li)。*?(?=/li)'，文本)

您可以获得所需的结果列表。

2.替换使用正则表达式非常灵活。

比如我之前在Trac系统中阅读wiki模块的源代码时，发现wiki语法的实现是通过正则替换的。

使用替换时，将涉及正则表达式中的分组概念。

假设使用了维基语法！指示转义字符，即感叹号后的功能字符，将按原样输出。粗体的语法是

上面写着‘‘’在这里用粗体显示''然后有一个正则表达式如下

复制代码如下：r '(？Pbold！''')'

这里吗？Pbold是Python常规语法的一部分，这意味着以下组的名称是“粗体”

下面是替换场景，子函数的第一个参数是pattern，第二个参数可以是string或者function。如果是字符串，则用指定的结果替换目标匹配的结果，如果是函数，则函数接受匹配对象参数并返回替换后的字符串，第三个参数为源字符串。

复制代码如下：result=re.sub(r '(？Pbold！'')'，替换，行)

每当匹配三重单引号时，替换函数将运行一次。此时可能需要一个全局变量来记录当前三重单引号是开还是关，以便添加相应的标记。

在trac wiki的实际实现中，这就是如何通过一些标签变量来记录一些语法标签的打开和关闭，从而确定replace函数的运行结果。

-

例子

1.判断字符串是否全部小写

密码

复制的代码如下： #-*-coding : CP 936-*-import res1=' adkkdk ' S2=' ABC 123 EFG '

An=re.search ('[a-z] $ '，S1)如果an:print的s1: '，an.group()，'全小写' else 3360prints1，'全小写！'

An=re。match ('[a-z] $ '，s2)如果：打印机的s2: '，an.group()，'全小写' else:打印机的S2，'全小写！'

结果

调查其原因

1.正则表达式不是python的一部分，它在使用时需要引用re模块

2.匹配的形式是re.search(带有匹配字符串的正则表达式)或re.match(带有匹配字符串的正则表达式)。两者的区别在于后者默认以starter()开始。因此，

Re.search ('[a-z] $ '，S1)相当于re.match('[a-z] $ '，s2)3。如果匹配失败，an=re.search ('[a-z] $ '，S1)将返回None

组用于对匹配结果进行分组

例如

复制代码如下：导入rea=' 123abc456 '打印re。搜索('([0-9] *) ([a-z] *) ([0-9] *)'，a)。group(0)# 123 ABAC 456，整个printre . search(([0-9]*)([a-z]*)([0-9]*)'，a)。group(1)# 123 printree . search(([0-9]*)([a-z]*)

1)正则表达式中的三组括号将匹配结果分为三组

Group()和group(0)是匹配正则表达式的全部结果

组(1)列出了第一个括号匹配零件，组(2)列出了第二个括号匹配零件，组(3)列出了第三个括号匹配零件。

2)如果没有成功匹配，重新搜索()将返回无

3)郑的表述当然没有括号，组(1)肯定是错的。

二.缩略语的扩展

具体例子

联邦应急管理局爱尔兰共和党武装力量民主统一党

美国食品和药物管理局OLC法律顾问办公室分析

缩写FEMA分解为F*** E*** M*** A*** *常规大写字母小写(大于等于1)空格参考码

复制代码如下： import redef expand _缩写(sen，缩写): len缩写=len(缩写)ma='' for I in range (0，len缩写): ma=缩写[I]'[a-z]' ' print ' ma : '，ma ma=ma . strip(')p=re . search(ma，sen)if p : return p . group()else 3360 return ' '

print expand _缩写('欢迎来到中国农业银行'，' ABC ')

结果

问题

上面的代码对于前三个例子是正确的，但是后两个是错误的，因为以大写字母开头的单词之间也有小写字母

法律

大写字母是小写(1或更多)空格[小写空格](0次或1次)

参考码

复制代码如下： import redef expand _缩写(sen，缩写): len缩写=len(缩写)ma='' for I in range (0，len缩写-1) 3360 ma=缩写[I]'[a-z]' ' '([a-ma]=缩写[len缩写-1] '[a-z] ' print 'ma: '，ma ma ma=ma . strip(')p=re . search(ma，sen)if p3f

print expand _缩写('欢迎来到中国农业银行'，' ABC ')

技能

中间小写字母设置一个空格，作为一个整体，添加一个括号。要么同时拥有，要么不同时拥有，所以需要？匹配前面的整体。

3.删除数字中的逗号

具体例子

在处理自然语言时，如果123，000，000用标点符号除，就会出现问题，好的数字会被逗号肢解，可以先把数字清理干净(去掉逗号)。

分析

数字通常由三个数字后跟一个逗号组成，因此规则为：* * *、* * *、* * *

正规表达式

[a-z]，[a-z]？

参考代码3-1

复制代码如下：导入re

sen='abc，123，456，789，MNP ' p=re.compile(\d，\ d？)

对于p . finditer(sen):mm=com . group()中的com打印“hi:”，mm打印“sen_before:”，sen=sen.replace(mm，mm.replace('，'，''))打印“sen_back:”，sen，' \n '

结果

技能

使用函数findier(字符串[，pos [，endpos]]) | re。findier(模式、字符串[、标志]) :

搜索字符串并返回一个迭代器，该迭代器按顺序访问每个匹配结果(匹配对象)。

参考代码3-2

复制代码如下：sen=' ABC，123，456，789，MNP '而1:mm=re . search(' d，\ d '，sen)if mm 3360mm=mm . group()sen=sen . replace(mm，mm

结果

扩展

这个程序是针对具体问题的，也就是把数字分成三位数。如果数字和字母混在一起，数字之间的逗号被去掉，即“abc，123，4，789，mnp”转换为“abc，1234789，mnp”

思考

更具体地说，找到常规的“数字，数字”，并用逗号替换它们

参考代码3-3

复制代码如下：sen=' ABC，123，4，789，MNP '而1:mm=re.search ('\ d，d '，sen)如果mm 3360mm=mm . group()sen=sen . replace(mm，mm.replace)

结果

4.中文处理的年份转换(例如，1949-1949)

中文处理涉及编码问题。例如，当下面的程序识别年份(* * * *)时，

复制代码如下： #-*-coding : CP 936-*-importrem 0='新中国成立于1949年' m1='比1990年下降5.2% ' m2='人民在1996年打败了俄军，实现了实质性独立'

Def fuc(m): a=re.findall('零|一|二|三|四|五|六|七|八|九]年'，m)如果a:为键则在a:打印键else 3360打印' null '

fuc(m0)fuc(m1)fuc(m2)

运行结果

可以看出，第二个和第三个都犯了错误。

将——规范化改进为unicode识别

复制代码如下： #-*-coding : CP 936-*-importrem 0='新中国成立于1949年' m1='比1990年下降5.2% ' m2='人民在1996年打败了俄军，实现了实质性独立'

def fuc(m):m=m . decode(' CP 936 ')a=re . findall(u '[\ u96 F6 | \ u4e 00 | \ u4e 8c | \ u4e 09 | \ u56db | \ u4e 94 | \ u 516d | \ u4e 03 | \ u516 b | \ u4e 5d]\ u5e 74 '，m)

如果a:中的键为a:打印键else:打印“空”

fuc(m0)fuc(m1)fuc(m2)

结果

识别后，汉字可以用数字代替。

涉及

复制代码如下：numHash={}numHash['零'。解码(' utf-8')]='0'numHash['一'。decode(' utf-8 ')]=' 1 ' NumHash[' two '。decode ('utf-8')='2'numHash['三'。解码(' utf-8')]='3'numHash['四'。解码(' utf-8')]='4'numHash['五'。decode(' utf-8 ')]=' 5=' 6 ' NumHash[' seven '。解码(' utf-8')]='7'numHash['八'。decode(' utf-8 ')]=' 8 ' NumHash[' nine '。解码(' utf-8')]='9 '

def change 2 num(word):打印' words: '，word newword=' word :中的键打印键如果numHash:中的键new word=numash[key]else : new word=键返回new word

def Chi2Num(行): a=re . findall(u '[\ u96 F6 | \ u4e 00 | \ u4e 8c | \ u4e 09 | \ u56db | \ u4e 94 | \ u516 d | \ u4e 03 | \ u516 b | \ u4e 5d]\ u5e 74 '，行)如果a 3360 print '-'为a 3360 new words=change 2 num(单词)中的单词打印行打印新单词行=行。