python中正則表達式的使用詳解
從學習Python至今，發(fā)現很多時候是將Python作為一種工具。特別在文本處理方面，使用起來更是游刃有余。
說到文本處理，那么正則表達式必然是一個絕好的工具，它能將一些繁雜的字符搜索或者替換以非常簡潔的方式完成。
我們在處理文本的時候,或是查詢抓取,或是替換.
一.查找
如果你想自己實現這樣的功能模塊,輸入某一個ip地址,得到這個ip地址所在地區(qū)的詳細信息.
然后你發(fā)現http://ip138.com 可以查出很詳細的數據
但是人家沒有提供api供外部調用,但是我們可以通過代碼模擬查詢然后對結果進行抓取.
通過查看這個相應頁面的源碼,我們可以發(fā)現,結果是放在三個<li></li>中的
<table width="80%" border="0" align="center" cellpadding="0" cellspacing="0">
<tr>
<td align="center"><h3>ip138.com IP查詢(搜索IP地址的地理位置)</h3></td>
</tr>
<tr>
<td align="center"><h1>您查詢的IP:121.0.29.231</h1></td>
</tr>
<tr>
<td align="center"><ul class="ul1"><li>本站主數據：浙江省杭州市 阿里巴巴</li><li>參考數據一：浙江省杭州市 阿里巴巴</li><li>參考數據二：浙江省杭州市 阿里巴巴</li></ul></td>
</tr>
<tr>
<td align="center">如果您發(fā)現查詢結果不詳細或不正確，請使用<a href="ip_add.asp?ip=121.0.29.231"><font color="#006600"><b>IP數據庫自助添加</b></font></a>功能進行修正<br/><br/>
<iframe src="/jss/bd_460x60.htm" frameborder="no" width="460" height="60" border="0" marginwidth="0" marginheight="0" scrolling="no"></iframe><br/><br/></td>
</tr>
<form method="get" action="ips8.asp" name="ipform" onsubmit="return checkIP();">
<tr>
<td align="center">IP地址或者域名：<input type="text" name="ip" size="16"> <input type="submit" value="查詢"><input type="hidden" name="action" value="2"></td>
</tr><br>
<br>
</form>
</table>
如果你了解正則表達式你可能會寫出
正則表達式
(?<=<li>).*?(?=</li>)
這里使用了前瞻：lookahead 后顧: lookbehind,這樣的好處就是匹配的結果中就不會包含html的li標簽了.
如果你對自己寫的正則表達式不是很自信的話,可以在一些在線或者本地的正則測試工具進行一些測試,以確保正確.
接下來的工作就是如果用Python實現這樣的功能,首先我們得將正則表達式表示出來:
r"(?<=<li>).*?(?=</li>)"
Python中字符串前面加上前導r這個字符,代表這個字符串是R aw String(原始字符串),也就是說Python字符串本身不會對字符串中的字符進行轉義.這是因為正則表達式也有轉義字符之說,如果雙重轉義的話,易讀性很差.
這樣的串在Python中我們把它叫做"regular expression pattern"
如果我們對pattern進行編譯的話
prog = re.compile(r"(?<=<li>).*?(?=</li>)")
我們便可以得到一個正則表達式對象regular expression object,通過這個對象我們可以進行相關操作.
比如
result=prog.match(string)
##這個等同于
result=re.match(r"(?<=<li>).*?(?=</li>)",string)
##但是如果這個正則需要在程序匹配多次,那么通過正則表達式對象的方式效率會更高
接下來就是查找了,假設我們的html結果已經以html的格式存放在text中,那么通過
result_list = re.findall(r"(?<=<li>).*?(?=</li>)",text)
便可以取得所需的結果列表.
二.替換
使用正則表達式進行替換非常的靈活.
比如之前我在閱讀Trac這個系統(tǒng)中wiki模塊的源代碼的時候,就發(fā)現其wiki語法的實現就是通過正則替換進行的.
在使用替換的時候會涉及到正則表達式中的Group分組的概念.
假設wiki語法中使用!表示轉義字符即感嘆號后面的功能性字符會原樣輸出,粗體的語法為
寫道
'''這里顯示為粗體'''
那么有正則表達式為
r"(?P<bold>!?''')"
這里的?P<bold>是Python正則語法中的一部分,表示其后的group的名字為"bold"
下面是替換時的情景,其中sub函數的第一個參數是pattern,第二個參數可以是字符串也可以是函數,如果是字符串的話,那么就是將目標匹配的結果替換成指定的結果,而如果是函數,那么函數會接受一個match object的參數,并返回替換后的字符串,第三個參數便是源字符串.
result = re.sub(r"(?P<bold>!?''')", replace, line)
每當匹配到一個三單引號,replace函數便運行一次,可能這時候需要一個全局變量記錄當前的三單引號是開還是閉,以便添加相應的標記.
在實際的trac wiki的實現的時候,便是這樣通過一些標記變量,來記錄某些語法標記的開閉,以決定replace函數的運行結果.
--------------------
示例
一. 判斷字符串是否是全部小寫
代碼
# -*- coding: cp936 -*-
import re
s1 = 'adkkdk'
s2 = 'abc123efg'
an = re.search('^[a-z]+$', s1)
if an:
print 's1:', an.group(), '全為小寫'
else:
print s1, "不全是小寫！"
an = re.match('[a-z]+$', s2)
if an:
print 's2:', an.group(), '全為小寫'
else:
print s2, "不全是小寫！"
結果
究其因
1. 正則表達式不是python的一部分，利用時需要引用re模塊
2. 匹配的形式為： re.search(正則表達式， 帶匹配字串)或re.match(正則表達式， 帶匹配字串)。兩者區(qū)別在于后者默認以開始符（^）開始。因此，
re.search('^[a-z]+$', s1) 等價于 re.match('[a-z]+$', s2)
3. 如果匹配失敗，則an = re.search('^[a-z]+$', s1)返回None
group用于把匹配結果分組
例如
import re
a = "123abc456"
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0) #123abc456,返回整體
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1) #123
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2) #abc
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3) #456
1）正則表達式中的三組括號把匹配結果分成三組
group() 同group（0）就是匹配正則表達式整體結果
group(1) 列出第一個括號匹配部分，group(2) 列出第二個括號匹配部分，group(3) 列出第三個括號匹配部分。
2）沒有匹配成功的，re.search（）返回None
3）當然鄭則表達式中沒有括號，group(1)肯定不對了。
二. 首字母縮寫詞擴充
具體示例
FEMA Federal Emergency Management Agency
IRA Irish Republican Army
DUP Democratic Unionist Party
FDA Food and Drug Administration
OLC Office of Legal Counsel
分析
縮寫詞 FEMA
分解為 F*** E*** M*** A***
規(guī)律 大寫字母 + 小寫（大于等于1個）+ 空格
參考代碼
import re
def expand_abbr(sen, abbr):
lenabbr = len(abbr)
ma = ''
for i in range(0, lenabbr):
ma += abbr[i] + "[a-z]+" + ' '
print 'ma:', ma
ma = ma.strip(' ')
p = re.search(ma, sen)
if p:
return p.group()
else:
return ''
print expand_abbr("Welcome to Algriculture Bank China", 'ABC')
結果
問題
上面代碼對于例子中的前3個是正確的，但是后面的兩個就錯了，因為大寫字母開頭的詞語之間還夾雜著小寫字母詞
規(guī)律
大寫字母 + 小寫（大于等于1個）+ 空格 + [小寫+空格](0次或1次)
參考代碼
import re
def expand_abbr(sen, abbr):
lenabbr = len(abbr)
ma = ''
for i in range(0, lenabbr-1):
ma += abbr[i] + "[a-z]+" + ' ' + '([a-z]+ )?'
ma += abbr[lenabbr-1] + "[a-z]+"
print 'ma:', ma
ma = ma.strip(' ')
p = re.search(ma, sen)
if p:
return p.group()
else:
return ''
print expand_abbr("Welcome to Algriculture Bank of China", 'ABC')
技巧
中間的 小寫字母集合+一個空格，看成一個整體，就加個括號。要么同時有，要么同時沒有，這樣需要用到？，匹配前方的整體。
三. 去掉數字中的逗號
具體示例
在處理自然語言時123,000,000如果以標點符號分割，就會出現問題，好好的一個數字就被逗號肢解了，因此可以先下手把數字處理干凈（逗號去掉）。
分析
數字中經常是3個數字一組，之后跟一個逗號，因此規(guī)律為：***，***，***
正則式
[a-z]+,[a-z]?
參考代碼3-1
import re
sen = "abc,123,456,789,mnp"
p = re.compile("\d+,\d+?")
for com in p.finditer(sen):
mm = com.group()
print "hi:", mm
print "sen_before:", sen
sen = sen.replace(mm, mm.replace(",", ""))
print "sen_back:", sen, '\n'
結果
技巧
使用函數finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]):
搜索string，返回一個順序訪問每一個匹配結果（Match對象）的迭代器。
參考代碼3-2
sen = "abc,123,456,789,mnp"
while 1:
mm = re.search("\d,\d", sen)
if mm:
mm = mm.group()
sen = sen.replace(mm, mm.replace(",", ""))
print sen
else:
break
結果
延伸
這樣的程序針對具體問題，即數字3位一組，如果數字混雜與字母間，干掉數字間的逗號，即把“abc,123,4,789,mnp”轉化為“abc,1234789,mnp”
思路
更具體的是找正則式“數字，數字”找到后用去掉逗號的替換
參考代碼3-3
sen = "abc,123,4,789,mnp"
while 1:
mm = re.search("\d,\d", sen)
if mm:
mm = mm.group()
sen = sen.replace(mm, mm.replace(",", ""))
print sen
else:
break
print sen
結果
四. 中文處理之年份轉換（例如：一九四九年--->1949年）
中文處理涉及到編碼問題。例如下邊的程序識別年份（****年）時
# -*- coding: cp936 -*-
import re
m0 = "在一九四九年新中國成立"
m1 = "比一九九零年低百分之五點二"
m2 = '人一九九六年擊敗俄軍,取得實質獨立'
def fuc(m):
a = re.findall("[零|一|二|三|四|五|六|七|八|九]+年", m)
if a:
for key in a:
print key
else:
print "NULL"
fuc(m0)
fuc(m1)
fuc(m2)
運行結果
可以看出第二個、第三個都出現了錯誤。
改進——準化成unicode識別
# -*- coding: cp936 -*-
import re
m0 = "在一九四九年新中國成立"
m1 = "比一九九零年低百分之五點二"
m2 = '人一九九六年擊敗俄軍,取得實質獨立'
def fuc(m):
m = m.decode('cp936')
a = re.findall(u"[\u96f6|\u4e00|\u4e8c|\u4e09|\u56db|\u4e94|\u516d|\u4e03|\u516b|\u4e5d]+\u5e74", m)
if a:
for key in a:
print key
else:
print "NULL"
fuc(m0)
fuc(m1)
fuc(m2)
結果
識別出來可以通過替換方式，把漢字替換成數字。
參考
numHash = {}
numHash['零'.decode('utf-8')] = '0'
numHash['一'.decode('utf-8')] = '1'
numHash['二'.decode('utf-8')] = '2'
numHash['三'.decode('utf-8')] = '3'
numHash['四'.decode('utf-8')] = '4'
numHash['五'.decode('utf-8')] = '5'
numHash['六'.decode('utf-8')] = '6'
numHash['七'.decode('utf-8')] = '7'
numHash['八'.decode('utf-8')] = '8'
numHash['九'.decode('utf-8')] = '9'
def change2num(words):
print "words:",words
newword = ''
for key in words:
print key
if key in numHash:
newword += numHash[key]
else:
newword += key
return newword
def Chi2Num(line):
a = re.findall(u"[\u96f6|\u4e00|\u4e8c|\u4e09|\u56db|\u4e94|\u516d|\u4e03|\u516b|\u4e5d]+\u5e74", line)
if a:
print "------"
print line
for words in a:
newwords = change2num(words)
print words
print newwords
line = line.replace(words, newwords)
return line
相關文章
這篇文章主要給大家介紹了關于如何利用Python畫花樣圖的相關資料,文中通過示例代碼以及圖文介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2021-10-10
這篇文章主要介紹了通過python實現彈窗廣告攔截過程詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-07-07
這篇文章主要介紹了Python 使用input同時輸入多個數的操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-03-03
這篇文章主要介紹了解決IDEA 的 plugins 搜不到任何的插件問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
這篇文章主要介紹了Python實現RSA加密解密，加密技術在數據安全存儲，數據傳輸中發(fā)揮著重要作用，能夠保護用戶隱私數據安全，防止信息竊取。RSA是一種非對稱加密技術，在軟件、網頁中已得到廣泛應用，下面文章更多相關內容需要的小伙伴可以參考一下2022-04-04
這篇文章主要介紹了Django 內置權限擴展案例詳解，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-03-03
這篇文章主要給大家介紹了關于Python的類與對象名稱空間的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2018-12-12
本文給大家分享的是?Flask?數據庫遷移詳情,db.create_all()不會重新創(chuàng)建表或是更新表,需要先使用db.drop_all()刪除數據庫中所有的表之后再調用db.create_all()才能重新創(chuàng)建表,但是這樣的話,原來表中的數據就都被刪除了,這肯定是不行的,這時就出現了數據庫遷移的概念2021-11-11
這篇文章主要介紹了python調用java的Webservice具體方法,包含java端和python實現代碼,需要的朋友可以參考下2014-03-03
這篇文章主要介紹了分析Python的Django框架的運行方式及處理流程,本文對于Django框架的機制總結得非常之直觀精煉,極力推薦!需要的朋友可以參考下2015-04-04