13.3 正则表达式的应用

news2024/9/20 14:31:58

欢迎来到我的博客，很高兴能够在这里和您见面！欢迎订阅相关专栏：
工💗重💗hao💗：野老杂谈
⭐️ 全网最全IT互联网公司面试宝典：收集整理全网各大IT互联网公司技术、项目、HR面试真题.
⭐️ AIGC时代的创新与未来：详细讲解AIGC的概念、核心技术、应用领域等内容。
⭐️ 全流程数据技术实战指南：全面讲解从数据采集到数据可视化的整个过程，掌握构建现代化数据平台和数据仓库的核心技术和方法。
⭐️ 构建全面的数据指标体系：通过深入的理论解析、详细的实操步骤和丰富的案例分析，为读者提供系统化的指导，帮助他们构建和应用数据指标体系，提升数据驱动的决策水平。
⭐️《遇见Python：初识、了解与热恋》：涵盖了Python学习的基础知识、进阶技巧和实际应用案例，帮助读者从零开始逐步掌握Python的各个方面，并最终能够进行项目开发和解决实际问题。

摘要

正则表达式（Regular Expression）是一种强大的文本处理工具，广泛应用于数据清洗、验证输入、文本搜索和替换等任务中。本文将通过一系列生动有趣的实际例子，带你深入了解正则表达式在日常编程中的具体应用。无论你是处理网页数据、验证用户输入，还是进行批量文本替换，正则表达式都能为你提供高效、精准的解决方案。

1. 正则表达式简介

如果你曾经在海量的文本中寻找某个特定的单词，或者需要从一堆混乱的数据中提取出有用的信息，那么你就会发现正则表达式是一种无比高效的工具。正则表达式允许你定义复杂的模式来匹配和操作文本数据，简直像是一位无所不能的文本魔法师。

想象一下，你是一位古代的抄书匠，手里有一本满是错误和涂改的古籍，而你的任务是把其中的错误都挑出来并修正。正则表达式就像是你的魔法卷轴，能够帮你轻松地完成这个任务。

在 Python 中，我们使用 re 模块来处理正则表达式。让我们从一些简单的例子开始，看看正则表达式如何让你变成文本处理的高手。

2. 验证用户输入

在处理用户输入时，数据的格式正确性是首要考虑的。例如，用户提交的电子邮件地址和电话号码必须符合标准格式，否则可能导致数据处理出错。

验证电子邮件地址

验证电子邮件地址是一个典型的应用场景。正则表达式能够快速检查用户输入的邮箱是否有效：

import re

email_pattern = r"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}"
email = "user@example.com"

if re.fullmatch(email_pattern, email):
    print("Valid email address")
else:
    print("Invalid email address")

在这个例子中，我们定义了一个正则表达式模式来匹配常见的电子邮件地址格式。这个模式要求邮箱的用户名部分可以包含字母、数字、点号、下划线、百分号、加号和减号，而邮箱的域名部分则由字母和数字组成，最后以一个点号和两到四个字母的顶级域结尾。

验证电话号码

同样地，我们可以使用正则表达式来验证电话号码的格式：

phone_pattern = r"\b\d{3}[-.]?\d{3}[-.]?\d{4}\b"
phone_number = "123-456-7890"

if re.fullmatch(phone_pattern, phone_number):
    print("Valid phone number")
else:
    print("Invalid phone number")

这个正则表达式模式允许匹配美国电话号码格式，它可以是带连字符或点的格式，也可以是没有分隔符的纯数字格式。

3. 文本搜索与提取

正则表达式在文本搜索和提取中也非常有用，特别是在从网页数据或日志文件中提取有用信息时。

从网页提取信息

假设你需要从一段 HTML 内容中提取所有的超链接（<a> 标签）：

html_content = '''
<a href="https://www.example.com">Example</a>
<a href="https://www.test.com">Test</a>
'''

links = re.findall(r'href="(https?://[^\"]+)"', html_content)
print("Extracted links:", links)

在这个例子中，正则表达式 href="(https?://[^\"]+)" 匹配所有的 href 属性，并提取其中的 URL。这里的 https? 表示匹配 http 或 https，而 [^\"]+ 表示匹配任意数量的非双引号字符。

匹配日期格式

你可能需要从一段文本中提取所有的日期，例如格式为 YYYY-MM-DD 的日期：

text = "The event is scheduled for 2024-08-10 and the deadline is 2024-08-15."
dates = re.findall(r"\b\d{4}-\d{2}-\d{2}\b", text)
print("Found dates:", dates)

这个正则表达式模式 \b\d{4}-\d{2}-\d{2}\b 匹配由四位数字表示的年份、两位数字表示的月份和两位数字表示的日期。

4. 文本替换

正则表达式不仅可以查找和提取文本，还可以用来替换文本内容。例如，你可以使用它来进行批量的文本替换操作。

批量替换敏感词

假设你有一个文本文件，里面包含了一些敏感词汇，而你想要将这些词汇替换为 ***：

text = "This is a secret message with sensitive information."
censored_text = re.sub(r"\bsecret\b|\bsensitive\b", "***", text)
print("Censored text:", censored_text)

在这个例子中，正则表达式 \bsecret\b|\bsensitive\b 匹配单词 secret 或 sensitive，并将其替换为 ***。

标准化数据格式

有时，你需要对数据格式进行标准化。例如，将一组电话号码格式化为统一的格式：

phone_numbers = ["1234567890", "123.456.7890", "123-456-7890"]
formatted_numbers = [re.sub(r"[^\d]", "-", number) for number in phone_numbers]
print("Formatted numbers:", formatted_numbers)

在这个例子中，正则表达式 "[^\d]" 匹配所有非数字字符，并将其替换为 -，使电话号码格式统一。

5. 数据清洗

数据清洗是数据科学中不可或缺的一步，正则表达式在删除多余字符和提取有用信息方面大显身手。

删除多余空白字符

你可能需要清理文本中的多余空白字符，使得文本内容更为整洁：

text = "This   is  an  example   text."
clean_text = re.sub(r"\s+", " ", text)
print("Cleaned text:", clean_text)

在这个例子中，\s+ 匹配一个或多个空白字符，并将它们替换为单个空格。

提取和清理日志文件

正则表达式也可以用于从日志文件中提取有用的信息，比如 IP 地址：

log = "User accessed from IP 192.168.1.1 on 2024-08-10"
ip_pattern = r"\b\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}\b"
ip_address = re.search(ip_pattern, log)

if ip_address:
    print("Found IP address:", ip_address.group())