妙用正则表达式--Python中的re模块

Posted 2021-05-02 Stata and Python数据分析

文字编辑：钱梦璇

技术总编：张   邯

爬虫俱乐部将于2020年1月5日至11日在湖北武汉举行为期一周的Stata编程技术定制培训，此次采取初级班和高级班分批次培训。课程通过案例教学模式，旨在帮助大家在短期内掌握Stata软件编程、金融计量知识和实证分析方法，使大家熟悉Stata核心的爬虫技术，以及Stata与其他软件交互的高端技术。目前正在火热招生中~详细培训大纲及报名方式，请点击《》或点击文末阅读原文呦~

我们在往期推文（）当中介绍了re库的一些函数的用法，借用正则表达式，我们可以方便快捷地进行目标信息的提取。今天，小编将继续介绍几个函数。

（一）re.fullmatch

    语法结构：fullmatch(pattern, string, flags=0)

    其中，pattern是匹配要求（可以填正则表达式），string是用于匹配的字符串，flags是正则表达式的匹配方式。如果整个 string 匹配到正则表达式样式，就返回一个相应的匹配对象，否则就返回一个 None。

    来看一个简单例子：

sentence = "This is an island."print(re.fullmatch('is',sentence))print(re.fullmatch('This is an island.',sentence))

  返回的结果为：

None<_sre.SRE_Match object; span=(0, 18), match='This is an island.'>

  可见，fullmatch要求匹配全部字符，而不能只匹配部分。

  当然，我们可以使用正则表达式来实现上一匹配目的，如查看string是否为非数字字符串：

print(re.fullmatch('\D+',sentence))

  结果为：

<_sre.SRE_Match object; span=(0, 18), match='This is an island.'>

  我们对比往期使用的search函数：

print(re.search('is',sentence))

  结果为：

<_sre.SRE_Match object; span=(2, 4), match='is'>

  可见，search函数是部分匹配，从左到右取第一个匹配到的内容。而fullmatch是全匹配。

（二）re.escape

    语法结构：escape(pattern)

其中，pattern是待匹配的字符。escape函数可以对字符串中所有可能被解释为正则运算符的字符进行转义。

      来看一个简单的例子：

s2='https://m.tb.cn/h.eIjvdhl?sm=8929f0'print(re.escape(s2))

结果为：

https\:\/\/m\.tb\.cn\/h\.eIjvdhl\?sm\=8929f0

可以发现，在这一网址中，escape函数对“：”、“/”、“.”、“？”、”=”进行了转义。

 

接下来我们写一个数学运算符号的列表，使用escape函数转义一下：

operators = ['+','-','*','\']for i in operators: print(re.escape(i))

  结果发现程序报错：

原因是”\”本来就代表转义符号，我们想引用它时，需要这样写：”\\”。

我们修改一下上述程序：

operators = ['+','-','*','\\']for i in operators:print(re.escape(i))

  结果为：

\+\-\*\\

此时我们就将具有正则表达式含义的字符成功转义了。

（三）re.finditer

    语法结构：finditer(pattern, string, flags=0)

其中，pattern是匹配要求（可以填正则表达式），string是用于匹配的字符串，flags是正则表达式的匹配方式。finditer函数按照pattern对string进行匹配，从左到右，非重复依次匹配，返回一个迭代器iterator。

看到这里我们会发现它和findall函数有一点像，所以我进行了一下对比。

我们对s1匹配“is”，使用finditer函数依次寻找。

s3=re.finditer('is',s1)print(s3)print(type(s3))

得到的结果是：

<callable_iterator object at 0x000002B50372B0F0><class 'callable_iterator'>

可见，finditer函数返回的是一个迭代器，我们使用print函数不能看到其中的内容。对此，我们进行遍历，打印出来。

for s3i in s3: print(s3i)

结果为：

<_sre.SRE_Match object; span=(2, 4), match='is'><_sre.SRE_Match object; span=(5, 7), match='is'><_sre.SRE_Match object; span=(11, 13), match='is'>

而之前我们介绍的findall函数则不同。

s4=re.findall('is',s1)print(s4)print(type(s4))

结果为：

['is', 'is', 'is']<class 'list'>

可以发现，findall函数返回的是一个列表对象，可以以列表元素的形式直接显示匹配到的内容，在应用时可以根据需要进行选择。

以上就是我们对re库的进一步介绍了。至此，正则表达式的主要函数我们就介绍的差不多了，我们在使用时要注意观察待清洗文本的规律，结合正则表达式的元字符，让它为我们的工作助力。

对我们的推文累计打赏超过1000元，我们即可给您开具发票，发票类别为“咨询费”。用心做事，不负您的支持！

往期推文推荐

       

关于我们

此外，欢迎大家踊跃投稿，介绍一些关于stata和python的数据处理和分析技巧。

投稿邮箱：[e-mail]

投稿要求：
1）必须原创，禁止抄袭；
2）必须准确，详细，有例子，有截图；
注意事项：
1）所有投稿都会经过本公众号运营团队成员的审核，审核通过才可录用，一经录用，会在该推文里为作者署名，并有赏金分成。
2）邮件请注明投稿，邮件名称为“投稿+推文名称”。
3）应广大读者要求，现开通有偿问答服务，如果大家遇到有关数据处理、分析等问题，可以在公众号中提出，只需支付少量赏金，我们会在后期的推文里给予解答。