实际项目演示：Python RegEx在数据处理中的应用！

news2024/9/24 11:31:43

更多资料获取

📚 个人网站：ipengtao.com

正则表达式（Regular Expressions，简称 RegEx）是一种强大的文本匹配和搜索工具，它在数据处理、文本解析和字符串操作中发挥着关键作用。Python 提供了内置的 re 模块，用于处理正则表达式，能够进行高级的模式匹配和搜索。本文将深入探讨 Python 中的正则表达式，包括基本语法、常用函数和高级应用。

什么是正则表达式？

正则表达式是一种用于匹配字符串的模式，它由一系列字符和特殊符号组成，用于定义搜索模式。

正则表达式可以用于：

检查字符串是否符合特定格式
从文本中提取信息
替换文本中的字符串
过滤文本中的数据

正则表达式的基本语法

1. 基本字符匹配

字符匹配：普通字符会与自身匹配。例如，正则表达式 cat 将匹配字符串中的 cat。
点号（.）：匹配除换行符外的任何单个字符。例如，正则表达式 c.t 可以匹配 cat、cut 和 cot。
字符集合（[]）：用于匹配字符中的一个字符。例如，正则表达式 [aeiou] 可以匹配任何元音字母。
范围（-）：用于定义字符集合的范围。例如，正则表达式 [a-z] 可以匹配任何小写字母。
反向字符集合（[^]）：用于匹配字符集合之外的任何字符。例如，正则表达式 [^0-9] 可以匹配任何非数字字符。

2. 重复和数量限定符

星号（*）：匹配前一个字符零次或多次。例如，正则表达式 ca*t 可以匹配 ct、cat、caat 等。
加号（+）：匹配前一个字符一次或多次。例如，正则表达式 ca+t 可以匹配 cat、caat 等，但不能匹配 ct。
问号（?）：匹配前一个字符零次或一次。例如，正则表达式 ca?t 可以匹配 ct 或 cat。
花括号（{m,n}）：匹配前一个字符至少 m 次，最多 n 次。例如，正则表达式 ca{2,4}t 可以匹配 caat、caaat 或 caaaat。

3. 特殊字符

正则表达式中有一些特殊字符，它们具有特殊的含义：

反斜杠（\）：用于转义特殊字符。例如，\. 匹配点号，而 \\ 匹配反斜杠本身。
开始锚点（^）：匹配字符串的开头。
结束锚点（$）：匹配字符串的结尾。
单词边界锚点（\b）：匹配单词的边界。例如，\bword\b 可以匹配 word，但不匹配 words 或 keyword。

Python 中的`re` 模块

Python 中的 re 模块提供了一组函数，用于执行正则表达式操作。

以下是一些常用的函数：

re.match(pattern, string)：从字符串的开头开始匹配，如果匹配成功返回一个匹配对象，否则返回 None。
re.search(pattern, string)：在字符串中搜索匹配项，如果找到任何匹配项则返回一个匹配对象，否则返回 None。
re.findall(pattern, string)：返回字符串中所有与模式匹配的项的列表。
re.finditer(pattern, string)：返回一个迭代器，迭代器中的每个元素都是一个匹配对象。
re.split(pattern, string)：根据模式的匹配项拆分字符串，并返回拆分后的列表。
re.sub(pattern, replacement, string)：使用替换字符串替换模式的匹配项，并返回新字符串。

示例：基本匹配

import re

# 使用 re.match() 匹配字符串开头的模式
pattern = r"hello"
string = "hello world"
match = re.match(pattern, string)
if match:
    print("Match found:", match.group())
else:
    print("Match not found")

# 使用 re.search() 搜索字符串中的模式
pattern = r"world"
string = "hello world"
search = re.search(pattern, string)
if search:
    print("Search found:", search.group())
else:
    print("Search not found")

在上述示例中，使用 re.match() 和 re.search() 函数分别查找了模式 "hello" 和 "world" 是否存在于字符串中。 match 和 search 都返回匹配对象，可以使用 group() 方法获取匹配的文本。

示例：字符集合和范围

import re

# 使用字符集合匹配元音字母
pattern = r"[aeiou]"
string = "hello world"
matches = re.findall(pattern, string)
print("Vowels:", matches)

# 使用范围匹配小写字母
pattern = r"[a-z]"
string = "Hello World"
matches = re.findall(pattern, string, re.IGNORECASE)  # 忽略大小写
print("Lowercase letters:", matches)

在这两个示例中，使用字符集合匹配元音字母和范围匹配小写字母。re.IGNORECASE 标志用于忽略大小写。

示例：数量限定符

import re

# 使用 * 匹配零次或多次
pattern = r"ca*t"
strings = ["ct", "cat", "caat", "cot", "cut"]
for string in strings:
    if re.match(pattern, string):
        print("Match found for", string)

# 使用 + 匹配一次或多次
pattern = r"ca+t"
strings = ["ct", "cat", "caat", "cot", "cut"]
for string in strings:
    if re.match(pattern, string):
        print("Match found for", string)

# 使用 ? 匹配零次或一次
pattern = r"ca?t"
strings = ["ct", "cat", "caat", "cot", "cut"]
for string in strings:
    if re.match(pattern, string):
        print("Match found for", string)

# 使用 {m,n} 匹配特定次数范围
pattern = r"ca{2,4}t"
strings = ["cat", "caat", "caaat", "caaaat", "ct", "cut"]
for string in strings:
    if re.match(pattern, string):
        print("Match found for", string)

在这些示例中，使用 *、+、? 和 {m,n} 来匹配不同次数的字符。

示例：特殊字符和锚点

import re

# 使用反斜杠转义特殊字符
pattern = r"\."
string = "www.example.com"
match = re.search(pattern, string)
if match:
    print("Dot found:", match.group())

# 使用开始锚点匹配字符串开头
pattern = r"^Hello"
strings = ["Hello world", "Hi Hello"]
for string in strings:
    if re.match(pattern, string):
        print("Match found for", string)

# 使用结束锚点匹配字符串结尾
```python
pattern = r"world$"
strings = ["Hello world", "world peace"]
for string in strings:
    if re.search(pattern, string):
        print("Match found for", string)

# 使用单词边界锚点匹配单词边界
pattern = r"\bword\b"
strings = ["word", "words", "keyword"]
for string in strings:
    if re.search(pattern, string):
        print("Match found for", string)

在这些示例中，演示了如何使用反斜杠转义特殊字符，以及如何使用开始锚点、结束锚点和单词边界锚点来匹配特定的位置。

示例：使用 `re.findall()` 提取信息

import re

# 提取所有邮箱地址
text = "Email me at john@example.com or jane@example.net"
pattern = r"\S+@\S+"
matches = re.findall(pattern, text)
print("Email addresses:", matches)

在这个示例中，使用正则表达式 r"\S+@\S+" 来提取文本中的邮箱地址。\S+ 匹配非空白字符，@ 匹配 “@” 符号，再次跟着 \S+ 匹配非空白字符，这样就可以提取出所有的邮箱地址。

示例：使用 `re.sub()` 替换文本

import re

# 替换文本中的日期
text = "Today is 2022-12-25. Tomorrow is 2022-12-26."
pattern = r"\d{4}-\d{2}-\d{2}"
replacement = "YYYY-MM-DD"
new_text = re.sub(pattern, replacement, text)
print("Modified text:", new_text)