嘀~正则表达式快速上手指南（下篇）

Posted 2021-05-02 AI开发者

本文为「嘀~正则表达式快速上手指南」下篇，阅读上篇请点击：

  以循环方式获取每个名称和地址

接下来我们在电子邮件的 contents 列表中工作。

这个过程总共有 3 步，首先是找到 From: 字段

第一步，我们通过 re.search() 函数找到完整的 From: 字段。 句点 . 表示除了\n之外的任何字符 ，* 延伸到该行的结尾处。然后将它赋给变量 sender.

但是，数据并不总是直截了当的。常常会有意想不到的情况出现。例如，如果没有 From: 字段怎么办？脚本将报错并中断。在步骤2中可以避免这种情况。

为了避免由 From:  域导致的错误，我们要用一个 if 来检查 sender 是不是 None。如果是一个空字段的话，用 s_email 和 s_name 的值来取代 None ，这样脚本就可以继续运行而不是意外中断。

虽然这个教程让使用正则表达式看起来很简单（Pandas在下面）但是也要求你有一定实际经验。例如，我们知道使用if-else语句来检查数据是否存在。事实上，之所以我们知道如何处理，是因为我们在写这个脚本时反复地尝试过。编写代码是一个迭代过程。值得注意的是，即使教程看起来是线性的，即使教程看起来是直截了当的，但实践中需要更多的尝试。

我们用不同的规则来命名，每一个名字的左边都用 "From:" 字段中的:来分割，电子邮件的右边用开括号 <。因此可以用 :.*< 形式来找邮件名称。 我们从每个结果中快速的去掉 : 和 <

现在，让我们打印出代码的结果来看看。

注意我们没有使用 sender 变量在 re.search()函数中作为搜索字符串。我们已经打印了 sender 和 sender.group() 的类型，这样就能看到区别。看起来 sender 是一个 re 的匹配对象，并且不能用re.search()来搜索。然而sender.group() 是一个字符串，而 re.search 接受的参数即是字符串形式。

我们来看看 s_email 和 s_name 长什么样子。

同样，我们得到了匹配的对象。每次对字符串进行re.search() 操作， 都会生成匹配对象， 我们必须将其转换为字符串对象。

在转换之前，回想一下如果没有From: 字段,，sender 的值将会是None,那么 s_email和s_name 的值也将为None。因此，我们必须再次进行检查，以便脚本不会意外中断。先看看如何针对s_email 构造代码。

在步骤3A中，我们使用了if 语句来检查s_email的值是否为 None, 否则将抛出错误并中断脚本。

然后，我们只需将s_email 匹配的对象转换为字符串并将其分配给变量sender_email 即可。将转换完的字符串添加到  emails_dict 字典中，以便后续能极其方便地转换为pandas数据结构。

在步骤3B中，我们对 s_name 进行几乎一致的操作.

就像之前做的一样，我们在步骤3B中首先检查s_name 的值是否为None 。

然后，在将字符串分配给变量前，我们调用两次了 re 模块中的re.sub() 函数。首先，通过用空字符“”代替:\s* ，删除冒号及冒号与姓名之间的任何空格字符。然后删除姓名另一侧的空格字符和角括号，再次使用空字符进行替换。最终，将字符串分配给 sender_name并添加到字典中。

让我们检查下结果。

首先，我们找到To: 字段。

接下来，我们将先发制人，避免recipient 为None的情况发生。

然后我们将匹配对象转换为字符串并添加至字典中去。

因为From: 和 To: 字段具有相同的结构，因此我们可以对两者使用相同的代码，但对其他字段来说，我们需要定制稍微不同的代码。

  获取邮件的日期

现在让我们来获取邮件的发送日期。

我们获取的Date:字段的代码与From:及To:字段的代码相同。就像保证这两个字段的值不是None一样，我们同样要检查被赋值到变量date_field的值是否为 None。

日期是以数字开始的，因此我们可以用 \d 来解析它，就像日期格式中具体天数部分一样，它可能是由一位或者两位数字组成，所以在此+ 就变得非常重要了。在正则表达式里， 在+ 的左侧来匹配一个或多个模式实例。用\d+ 来匹配可以不用考虑日期的具体天数是一位还是两位数字。

之后的一个空格可以通过寻找空白字符的 \s 来解析。月份是由三个字母组成的，因此使用\w+ 来解析，再接另一个空格，所以继续用 \s 解析。因为年份是由多个数字组成，所以我们需要再用一次\d+ 。

表达式 \d+\s\w+\s\d+之所以能起作用，是因为精确的模式匹配约束着空格之间的内容。

接下来，我们做和之前相同的 None 值检查。

如果 date 不为 None ，我们就把它从这个匹配对象转换成一个字符串，然后赋值给变量 date_sent，再将其键值添加到字典中。

进行下一步前，我们应特别注意的是+ 和 * 看起来很相似，但是它们差异很大。用日期字符串来举例：

如果使用 * 我们将匹配到大于等于零个的结果，而 + 匹配大于等于一个的结果。参照以上示例，我们输出了两种不同的结果，它们之间存在非常大的差异。正如所见， + 可以解析出整个日期而*只解析出一个空格和数字1。

接下来讲解邮件的标题。

  获得邮件的标题

我们可以像之前一样，用相同的代码架构来获取我们需要的信息。

现在我们对正则表达式的格式已经很熟悉了对吧？这个代码与之前的类似，为获得标题，我们可以用一个空的字符串来代替"Subject: " 。

  获取邮件的内容

最后要添加到字典里的一项就是邮件的内容了。

将标题从邮件内容中分离出来是非常复杂的任务，尤其当文中有很多不同形式的标题。在原始混乱的数据中是很难找到一致性的规律，但是幸运的是这个工作有人帮我们解决了——Python的email 模块包非常适用这项任务。

我们之前已经导入了email模块. 现在，我们将 message_from_string()方法应用于item, 将整个email转换成 email消息对象. 一个消息对象由消息头和消息体组成, 分别对应于email的头部和主体.

接下来, 我们对email消息对象使用 get_payload()方法. 提取email内容. 并将内容传递给变量 body, 稍后我们会将其存储在字典 emails_dict 的键 "email_body"下.

在处理邮件正文时为什么选择email包而非正则表达式

你可能会疑惑, 为什么使用 email 包而不是正则表达式呢? 因为在不需要大量的清理工作时，正则表达式并不是最好的方法。我们需要为这段代码做详细解释。

我们值得探讨为何会作出这个选择。但在开始之前，我们需要先理解方括号[ ] 在正则表达式中的含义,   .

[ ] 用于匹配所有被它括起来的内容. 比如, 如果需要在字符串中查找 "a", "b", 或 "c" , 可以使用 [abc] 作为模式. 上文提到过的模式也适用。[\w\s] 用于查找字母、数字或空格。不同之处在于，它匹配的是方括号中的文字部分。

现在，可以更好的理解我们为何会决定选择email模块了。

仔细留意下数据就会发现email头部采用字符串 "Status: 0" 或 "Status: R0"作为结束，并在下一封邮件的 From r 字符串前结束，我们可以使用 Status:\s*\w*\n*[\s\S]*From\sr* 来获取email内容. [\s\S]* 用来查找空格或非空格字符，所以用于大段的文本、数字，以及标点符号。

不幸的是一封 email 不止一个“Status: ” 字符串，也并不一定都包含 "From r"，即邮件拆分之后的数目可能会比邮件列表的字典数目多 也可能会比它少 ，但它们不会和已有的其他类别相匹配。如果使用 pandas 包来解决这个问题的话 会遇到问题 ，因此，我们选择使用 email 包。

  创建字典列表

最后，添加字典emails_dict到 emails 列表:

此时可以打印emails列表。执行 print(len(emails_dict)) 函数，查看列表中有多少字典和email 。如前述，全部语料库包含 3977个email。我们的小型测试文件中只有7个。全部代码如下:

我们已经打印出了emails 列表的第一项, 它是由键和键值对组成的字典. 由于使用了 for 循环，因此每个字典拥有相同的键，但键值不同。

我们为每个 item 赋值 "email content here" ，所以不需要打印所有的email来占据电脑屏幕. 如果你在家应用时打印email，你将会看到实际的email内容。

  使用 pandas 处理数据

如果使用 pandas 库处理列表中的字典 那将非常简单。每个键会变成列名, 而键值变成行的内容。

我们需要做的就是使用如下代码:

通过上面这行代码，使用pandas的DataFrame() 函数，我们将字典组成的 emails 转换成数据帧，并赋给变量emails_df.

就这么简单。我们已经拥有了一个精致的Pandas数据帧，实际上它是一个简洁的表格，包含了从email中提取的所有信息。

请看下数据帧的前几行：

The dataframe.head() 函数显示了数据序列的前几行。该函数接受1个参数。一个可选的参数用于定义需要显示的行数， n=3 表示前3行。

也可以精确地查找。例如，查找从特定域名发来的邮件。但是，我们需要先学习一种新的正则表达式来完成精确查询工作。

管道符号, |, 用于查找位于它两边的任意字符。 如, a|b查找 a 或 b。

| 有点类似 [ ], 但二者有区别。假设我们需要查找"crab", "lobster", 或 "isopod"。 使用 crab|lobster|isopod 会比 [crablobsterisopod] 更精确，前者会匹配完整单词，而后者只匹配单个字符。

现在我们可以使用 | 符号查找从特定域名发送来的email。

这里我们使用了一行超长的代码。由内及外剖析它。

emails_df['sender_email'] 选择了标记为 sender_email的列，接下来，如果在该列中匹配到 子字符串 "maktoob" 或 "spinfinder" ，则str.contains(maktoob|spinfinder) 返回 True . 最后, 最外面的emails_df[] 返回 sender_email 列视图，该列包含需要匹配的目标字符串。干的漂亮！

我们也可以单个检视邮件。 只需要以下4步。 第1步，查找包含字符串"@maktoob"的列 "sender_email" 对应的行索引。请留意我们是如何使用正则表达式来完成这项任务的。

第4步将展示提取到的email正文

在第四步中 emails_df['sender_email'] == "[e-mail]"  是用来查找包含 "[e-mail]" 的邮件发送者列，接下来  ['email_body'].values 用来查找邮件正文的相同行的列值，最后输出该列值。

如你所见，我们可以多种方式应用正则表达式，正则表达式也能与pandas完美配合。

  其他资源

自从应用范围从生物学扩展到工程领域，过去这些年正则表达式发展速度惊人 。今天，正则表达式已可在多种变成语言中应用，除基本模式外，有适当变化。在这份教程中，我们使用Python练习使用正则表达式，但如果你喜欢，也可以使用 Stack Overflow 发掘它的其他特点。维基百科用一张表格比较了不同正则表达式引擎的特点。

正则表达式还有很多特性本教程不能一一列举，完整的文档可以参考Python文档中的 re 模块. 谷歌也有一份快速参考手册（https://developers.google.com/edu/python/regular-expressions）。

如果需要一系列数据进行实验的话, Kaggle 和 StatsModels 将对你有所帮助。

这里是正则表达式的速查表，但对大多数来说也是有帮助的。

如果这篇教程对你有用的话，你也会喜欢 Dataquest 的正则表达式课程。

原文链接：https://www.dataquest.io/blog/regular-expressions-data-scientists/

4 月 AI 求职季

8 大明星企业

10 场分享盛宴

20 小时独门秘籍

4.10-4.19，我们准时相约！

新人福利

关注 AI 研习社（okweiwu），回复  1  领取

【超过 1000G 神经网络 / AI / 大数据资料】

嘀~正则表达式快速上手指南（上篇）

▼▼▼