一、前言
本文将介绍常用正则表达式、re模块常用方法：findall、match、search、split、sub、compile等
二、正则表达式与Python中的实现
1、字符串构造
2、字符串截取
【自然语言处理】NLP入门（一）：1、正则表达式与Python中的实现（1）：字符串构造、字符串截取
3、字符串格式化输出
【自然语言处理】NLP入门（二）：1、正则表达式与Python中的实现（2）：字符串格式化输出(%、format()、f-string)
4、字符转义符
【自然语言处理】NLP入门（三）：1、正则表达式与Python中的实现（3）：字符转义符
5、字符串常用函数
在Python中有很多内置函数可以对字符串进行操作。如len()、ord()、chr()、max()、min()、bin()、oct()、hex()等。
【自然语言处理】NLP入门（四）：1、正则表达式与Python中的实现（4）：字符串常用函数
6、字符串常用方法
由于字符串属于不可变序列类型，常用方法中涉及到返回字符串的都是新字符串，原有字符串对象不变
【自然语言处理】NLP入门（五）：1、正则表达式与Python中的实现（5）：字符串常用方法：对齐方式、大小写转换详解
【自然语言处理】NLP入门（六）：1、正则表达式与Python中的实现（6）：字符串常用方法：find()、rfind()、index()、rindex()、count()、replace()
7、正则表达式
正则表达式是一个特殊的字符序列，利用事先定义好的一些特定字符以及它们的组合组成一个“规则”，检查一个字符串是否与这种规则匹配来实现对字符的过滤或匹配。
- Python中，re模块提供了正则表达式操作所需要的功能。
- 元字符是一些在正则表达式中有特殊用途、不代表它本身字符意义的一组字符。
/^1[34578][0-9]$/1. 常用正则表达式
至于各种元字符及其使用规则，详见后文~
- 用户名：
- 只允许使用字母、数字和下划线：
^[a-zA-Z0-9_] $- 密码：
- 至少包含一个大写字母、一个小写字母和一个数字，长度至少为8个字符：
^(?=.*[a-z])(?=.*[A-Z])(?=.*d).{8,}$- 十六进制值：
- 匹配有效的十六进制颜色值（6个十六进制字符）：
^#([A-Fa-f0-9]{6})$- 电子邮箱：
- 匹配常见的电子邮箱格式：
^[a-zA-Z0-9._% -] @[a-zA-Z0-9.-] .[a-zA-Z]{2,}$- URL：
- 匹配常见的URL格式，包括http、https和www：
^(https?://)?(www.)?[a-zA-Z0-9-] .[a-zA-Z]{2,}(/.*)?$- IP地址：
- 匹配IPv4地址：
^([1-9]|[1-9]d|1dd|2[0-4]d|25[0-5])(.([0-9]|[1-9]d|1dd|2[0-4]d|25[0-5])){3}$- HTML标签：
- 匹配HTML标签（包括可选的属性）：
^<([a-zA-Z][a-zA-Z0-9]*)s*([^>]*)>*</1>$- 删除代码注释：
- 删除/* */形式的代码注释：
/*([^*]|[rn]|(* ([^*/]|[rn])))** /- Unicode编码中的汉字范围：
- 匹配Unicode编码中的中文字符范围：u4E00-u9FFF
[u4E00-u9FFF]2. 常用正则表达式元字符
.匹配任意单个字符,除了换行符^匹配字符串开头$匹配字符串结尾*匹配前一个字符0次或多次?匹配前一个字符0次或1次[]匹配括号内的任一字符()分组d匹配数字w匹配字母数字或下划线s匹配空白字符
具体使用方法详见后文：【自然语言处理】NLP入门（八）：1、正则表达式与Python中的实现（8）：正则表达式元字符详解
3. re模块
re.findall()
re.findall(pattern, string, flags=0)方法用于在字符串中查找所有与正则表达式pattern匹配的子串,并以列表形式返回。如果没有找到匹配项,则返回空列表。
- 格式：
- re.findall (pattern , string , flags)
- 说明：
- pattern: 模式字符串
- string:要匹配的字符串
- flags:可选参数,比如re.I 不区分大小写
import re
# 匹配所有数字
print(re.findall(r'd ', 'a1b2c3d4')) # ['1', '2', '3', '4']
# 匹配所有单词
print(re.findall(r'w ', 'He is a good man.')) # ['He', 'is', 'a', 'good', 'man']
# 使用分组
matches = re.findall(r'(w )s*=s*(d )', 'x=8 y=9 z=10')
print(matches) # [('x', '8'), ('y', '9'), ('z', '10')]
re.match()
- re.match(pattern, string, flags=0)
- 尝试从字符串的起始位置匹配一个模式,如果匹配成功,返回一个匹配对象,否则返回None。
import re
pattern = r'ab'
string = 'abcdef'
match_obj = re.match(pattern, string)
print("Match found:", match_obj.group())re.search()
- re.search(pattern, string, flags=0)
- 扫描整个字符串,寻找匹配模式的第一个位置,返回一个匹配对象。
import re
pattern = r'def'
string = 'abcdef'
search_obj = re.search(pattern, string)
print("Search found:", search_obj.group())
re.split()
- re.split(pattern, string, maxsplit=0, flags=0)
- 利用正则表达式对字符串进行分割,返回一个列表。
import re
pattern = r's' # 以空白字符为分隔符
string = 'This is a sentence.'
split_list = re.split(pattern, string)
print(split_list)
re.sub()
- re.sub(pattern, repl, string, count=0, flags=0)
- 在字符串中替换所有匹配正则表达式的子串。
import re
pattern = r'dog'
replacement = 'cat'
string = 'My dog is brown.'
new_string = re.sub(pattern, replacement, string)
print(new_string)
re.compile()
- re.compile(pattern, flags=0)
- 将正则表达式的模式预编译为一个模式对象,可被多次使用。
import re
pattern = re.compile(r'ab c')
string = 'abbc'
match_obj = pattern.match(string)
print(match_obj.group())
合体示例
代码语言：javascript复制import re
# re.match 从头开始匹配
print(re.match(r'd ', '18abc')) # <re.Match object; span=(0, 2), match='18'>
print(re.match(r'd ', 'a18bc')) # None
# re.search 扫描整个字符串查找匹配
print(re.search(r'd ', 'a18bc')) # <re.Match object; span=(1, 3), match='18'>
# re.split 根据模式分割字符串
print(re.split(r'd ', 'a1b2c3d')) # ['a', 'b', 'c', 'd']
# re.sub 替换匹配的子串
print(re.sub(r'd ', 'X', 'a1b2c3d')) # aXbXcXd
# 预编译模式对象
pattern = re.compile(r'd ')
print(pattern.match('18abc')) # <re.Match object; span=(0, 2), match='18'>
