02-NLP-01-python正则表达式
Posted Josie_chen
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了02-NLP-01-python正则表达式相关的知识，希望对你有一定的参考价值。
Python正则表达式
by 寒小阳([email protected])
正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。
我们在大文本中匹配字符串时，有些情况用str自带的函数(比如find, in)可能可以完成，有些情况会稍稍复杂一些(比如说找出所有“像邮箱”的字符串，所有和julyedu相关的句子)，这个时候我们需要一个某种模式的工具，这个时候正则表达式就派上用场了。
说起来正则表达式效率上可能不如str自带的方法，但匹配功能实在强大太多。对啦，正则表达式不是Python独有的，如果已经在其他语言里使用过正则表达式，这里的说明只需要简单看一看就可以上手啦。
1.语法
废话少说，直接上技能
下面是一张有些同学比较熟的图，我们俗称python正则表达式小抄，把写正则表达式当做一个开卷考试，显然容易得多。
当你要匹配 一个/多个/任意个 数字/字母/非数字/非字母/某几个字符/任意字符，想要 贪婪/非贪婪匹配，想要捕获匹配出来的 第一个/所有 内容的时候，记得这里有个小手册供你参考。
3.挑战与提升
长期做自然语言处理的同学正则表达式都非常熟，曾经有半年写了大量的正则表达式，以至于同事间开玩笑说，只要是符合某种规律或者模式的串，肯定分分钟能匹配出来。
对于想练习正则表达式，或者短期内快速get复杂技能，or想挑战更复杂的正则表达式的同学们。 请戳正则表达式进阶练习
so, 各位宝宝enjoy yourself
4.Python案例
re模块
Python通过re模块提供对正则表达式的支持。
使用re的一般步骤是
- 1.将正则表达式的字符串形式编译为Pattern实例
- 2.使用Pattern实例处理文本并获得匹配结果（一个Match实例）
- 3.使用Match实例获得信息，进行其他的操作。
# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r‘hello.*!‘)
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match(‘hello, hanxiaoyang! How are you?‘)
if match:
# 使用Match获得分组信息
print match.group()
re.compile(strPattern[, flag]):
这个方法是Pattern类的工厂方法，用于将字符串形式的正则表达式编译为Pattern对象。
第二个参数flag是匹配模式，取值可以使用按位或运算符‘|‘表示同时生效，比如re.I | re.M。
当然，你也可以在regex字符串中指定模式，比如re.compile(‘pattern‘, re.I | re.M)等价于re.compile(‘(?im)pattern‘)
flag可选值有：
- re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同）
- re.M(MULTILINE): 多行模式，改变‘^‘和‘$‘的行为（参见上图）
- re.S(DOTALL): 点任意匹配模式，改变‘.‘的行为
- re.L(LOCALE): 使预定字符类 w W B s S 取决于当前区域设定
- re.U(UNICODE): 使预定字符类 w W B s S d D 取决于unicode定义的字符属性
- re.X(VERBOSE): 详细模式。这个模式下正则表达式可以是多行，忽略空白字符，并可以加入注释。以下两个正则表达式是等价的：
regex_1 = re.compile(r"""d + # 数字部分
. # 小数点部分
d * # 小数的数字部分""", re.X)
regex_2 = re.compile(r"d+.d*")
Match
Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息。
match属性：
- string: 匹配时使用的文本。
- re: 匹配时使用的Pattern对象。
- pos: 文本中正则表达式开始搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- endpos: 文本中正则表达式结束搜索的索引。值与Pattern.match()和Pattern.seach()方法的同名参数相同。
- lastindex: 最后一个被捕获的分组在文本中的索引。如果没有被捕获的分组，将为None。
- lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。
方法：
- group([group1, …]):
获得一个或多个分组截获的字符串；指定多个参数时将以元组形式返回。group1可以使用编号也可以使用别名；编号0代表整个匹配的子串；不填写参数时，返回group(0)；没有截获字符串的组返回None；截获了多次的组返回最后一次截获的子串。 - groups([default]):
以元组形式返回全部分组截获的字符串。相当于调用group(1,2,…last)。default表示没有截获字符串的组以这个值替代，默认为None。 - groupdict([default]):
返回以有别名的组的别名为键、以该组截获的子串为值的字典，没有别名的组不包含在内。default含义同上。 - start([group]):
返回指定的组截获的子串在string中的起始索引（子串第一个字符的索引）。group默认值为0。 - end([group]):
返回指定的组截获的子串在string中的结束索引（子串最后一个字符的索引+1）。group默认值为0。 - span([group]):
返回(start(group), end(group))。 - expand(template):
将匹配到的分组代入template中然后返回。template中可以使用id或g、g引用分组，但不能使用编号0。id与g是等价的；但10将被认为是第10个分组，如果你想表达1之后是字符‘0‘，只能使用g<1>0。
import re
m = re.match(r‘(w+) (w+)(?P<sign>.*)‘, ‘hello hanxiaoyang!‘)
print "m.string:", m.string
print "m.re:", m.re
print "m.pos:", m.pos
print "m.endpos:", m.endpos
print "m.lastindex:", m.lastindex
print "m.lastgroup:", m.lastgroup
print "m.group(1,2):", m.group(1, 2)
print "m.groups():", m.groups()
print "m.groupdict():", m.groupdict()
print "m.start(2):", m.start(2)
print "m.end(2):", m.end(2)
print "m.span(2):", m.span(2)
print r"m.expand(r‘2 13‘):", m.expand(r‘2 13‘)
Pattern
Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。
Pattern不能直接实例化，必须使用re.compile()进行构造。
Pattern提供了几个可读属性用于获取表达式的相关信息：
- pattern: 编译时用的表达式字符串。
- flags: 编译时用的匹配模式。数字形式。
- groups: 表达式中分组的数量。
- groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。
import re
p = re.compile(r‘(w+) (w+)(?P<sign>.*)‘, re.DOTALL)
print "p.pattern:", p.pattern
print "p.flags:", p.flags
print "p.groups:", p.groups
print "p.groupindex:", p.groupindex
使用pattern
- match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):
这个方法将从string的pos下标处起尝试匹配pattern:- 如果pattern结束时仍可匹配，则返回一个Match对象
- 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
- pos和endpos的默认值分别为0和len(string)。
注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符‘$‘。
- search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):
这个方法从string的pos下标处起尝试匹配pattern- 如果pattern结束时仍可匹配，则返回一个Match对象
- 若无法匹配，则将pos加1后重新尝试匹配，直到pos=endpos时仍无法匹配则返回None。
- pos和endpos的默认值分别为0和len(string))
# encoding: UTF-8
import re
# 将正则表达式编译成Pattern对象
pattern = re.compile(r‘H.*g‘)
# 使用search()查找匹配的子串，不存在能匹配的子串时将返回None
# 这个例子中使用match()无法成功匹配
match = pattern.search(‘hello Hanxiaoyang!‘)
if match:
# 使用Match获得分组信息
print match.group()
- split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]):
- 按照能够匹配的子串将string分割后返回列表。
- maxsplit用于指定最大分割次数，不指定将全部分割。
import re
p = re.compile(r‘d+‘)
print p.split(‘one1two2three3four4‘)
- findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]):
- 搜索string，以列表形式返回全部能匹配的子串。
import re
p = re.compile(r‘d+‘)
print p.findall(‘one1two2three3four4‘)
- finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
- 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。
import re
p = re.compile(r‘d+‘)
for m in p.finditer(‘one1two2three3four4‘):
print m.group()
- sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):
- 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
- 当repl是一个字符串时，可以使用id或g、g引用分组，但不能使用编号0。
- 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。
- 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
import re
p = re.compile(r‘(w+) (w+)‘)
s = ‘i say, hello hanxiaoyang!‘
print p.sub(r‘2 1‘, s)
def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()
print p.sub(func, s)
- subn(repl, string[, count]) |re.sub(pattern, repl, string[, count]):
- 返回 (sub(repl, string[, count]), 替换次数)。
import re
p = re.compile(r‘(w+) (w+)‘)
s = ‘i say, hello hanxiaoyang!‘
print p.subn(r‘2 1‘, s)
def func(m):
return m.group(1).title() + ‘ ‘ + m.group(2).title()
print p.subn(func, s)
以上是关于02-NLP-01-python正则表达式的主要内容，如果未能解决你的问题，请参考以下文章
通过 Java 正则表达式提取 semver 版本字符串的片段