用python提取字符串的中英文——建议收藏反复观看

Posted 2021-09-10 神的孩子都在歌唱

python中提取字符串的中文或英文

• • 一. re中的sub函数
  • • • 1.1 提取中文
      • 1.2 提取英文
      • 1.3 提取数字
  • 二. re中的findall函数
  • • • 2.1 提取中文
      • 2.2 提取英文
      • 2.3 提取数字
  • 三. 中的compile函数
  • • • 3.1 同时匹配中英文数字去除其他字符

前言：
作者：神的孩子在歌唱

最近有小伙伴私信我python如何提取中英文

提取中英文是我们在做数据处理时候经常使用的，最高效的做法就是通过正则判断了，下面是我写的笔记，希望对你有用

一. re中的sub函数

使用Python 的re模块，re模块提供了re.sub用于替换字符串中的匹配项。

re.sub(pattern, repl, string, count=0) 

参数说明：

1. pattern：正则重的模式字符串
2. repl：被拿来替换的字符串
3. string：要被用于替换的原始字符串
4. count：模式匹配后替换的最大次数，省略则默认为0，表示替换所有的匹配

1.1 提取中文

可以这样想：我们可以通过将不是中文的字符替换为空不就可以了

例如

import re
str = "重出江湖hello的地H方。。的,world"
str = re.sub("[A-Za-z0-9\\,\\。]", "", str)
print(str)
输出：神的孩子在唱歌

1.2 提取英文

import re
str = "重123出江湖hello的地H方。。的,world"
str = re.sub("[\\u4e00-\\u9fa5\\0-9\\,\\。]", "", str)
print(str)
输出：helloHworld

1.3 提取数字

import re
str = "重123出江湖hello的地H方。。的,world"
str = re.sub("[A-Za-z\\u4e00-\\u9fa5\\,\\。]", "", str)
print(str)
输出：123

二. re中的findall函数

在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

语法格式为：

findall(string[, pos[, endpos]])

参数：

string : 待匹配的字符串。
pos : 可选参数，指定字符串的起始位置，默认为 0。
endpos :可选参数，指定字符串的结束位置，默认为字符串的长度。 查找字符串中的所有数字：

扩展：正则中有match 和 search ，它们是是匹配一次，findall
匹配所有，具体了解可以到菜鸟教程查看

2.1 提取中文

2.2 提取英文

1. 通俗写法

import string#提供a-z的小写字母
dd = "神的孩子hello在H唱歌,world"
#准备英文字符
temp=""
letters=string.ascii_lowercase#包含a-z的小写字母
for word in dd:#for循环取出单个词
    if word.lower() in letters:#判断是否是英文
        temp+=word#添加组成英文单词
print(temp)
输出：helloHworld

2. 正则

#A-Za-z
import re
dd = "重出123江湖hello的地方的,world"
result = ''.join(re.findall(r'[A-Za-z]', dd)) 
print(result)
输出：helloHworld

2.3 提取数字

#0-9注意这个数字前面不能\\,要不然他连，都给算上
import re
dd = "神123的孩子hello在唱H歌。。,world"
result = ''.join(re.findall(r'[0-9]', dd)) 
print(result)
输出：123

三. 中的compile函数

compile函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供其他函数使用。

语法格式为：

re.compile(pattern[, flags])

参数：

pattern : 一个字符串形式的正则表达式

flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：

1. re.I 忽略大小写
2. re.L 表示特殊字符集 \\w, \\W, \\b, \\B, \\s, \\S 依赖于当前环境
3. re.M 多行模式
4. re.S即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
5. re.U 表示特殊字符集 \\w, \\W, \\b, \\B, \\d, \\D, \\s,\\S 依赖于 Unicode 字符属性数据库
6. re.X 为了增加可读性，忽略空格和 # 后面的注释

3.1 同时匹配中英文数字去除其他字符

本人博客：https://blog.csdn.net/weixin_46654114
本人b站求关注：https://space.bilibili.com/391105864
转载说明：跟我说明，务必注明来源，附带本人博客连接。

请给我点个赞鼓励我吧