Python正则表达式由浅入深（一）数据分析工作中很多任务是跟文本处理相关，比如从文本中提取客户的信息，从文本中提取时间等等都是比较常见的操
作。虽然Python处理字符串的方法很多，而且流行的pandas库也提供了大量的向量化字符串方法，但是一旦涉及要经过较为复杂的数
据匹配才能进行的字符操作，这些方法就显得非常的乏力。尤其是由于文本数据来源于爬虫等渠道，数据往往严重不规整，这时候文本处理起来就显
得尤为吃力。幸运的是Python提供了re模块，可以实现正则表达式的操作。re模块主要通过六大方法来对字符串进行处理，包括：mat
ch()、search()、findall()、split()、sub()。这些方法涉及到字符串的匹配与替换等操作，在接下来的4篇
连载文章里，我们不单只会讲解这4种方法，还会把元字符、行定位符、限定符、字符类、排除字符、选择字符、转义字符、分组等正则表达式最常
用知识点贯穿起来。接下来的系列文章将会为大家初步搭建较为完整的Python正则表达式知识体系，如果你已经学习完Python编程基础
和数据清洗的课程知识，该系列文章将会让你对使用Python正则表达式达到一学就会，一用就懂的技能熟悉程度，实现真正的融会贯通的目的
。re.match方法我们首先看re模块中较为简单的match()方法。match的作用是利用Pattern实例，从字符串左
侧开始匹配，如果匹配到就返回一个Match实例，如果第一个字符不符合条件，就返回None。其语法格式如下：re.match(
pattern,string,[flags])pattern:表示模式字符串，由要匹配的正则表达式转换而来。string：表示要匹
配的字符串。flags：可选参数，表示标志位，这个参数我们后续再讲。模式字符串是什么意思呢？先看以下例子：pattern=''企业名
称''message=''企业名称：CDA数据科学研究院''match=re.match(pattern,message)matc
hOut:这时我们发现，re.match(
)方法返回了一个re.match对象，但这对象里面的信息什么意思呢？在上面的例子中，我们的模式字符串没有使用任何其他特殊字符，只是
“企业名称”。而字符串message前面几个字符串刚好是“企业名称”,因此返回来的re.match对象可以解读出以下信息：“企业名
字”这几个字符串能在message中索引区间span(0,4)中匹配上匹配结果就是match=‘企业名称’另外，re.match对
象还可以通过调用.start()方法以及.end()来获取匹配值的开始和结束位置：match.start()match.end()
也可以通过.span()方法获得记载匹配字符所处位置索引的元组：match.span()Out:(0,4)在message中被
匹配上的字符串可以通过.group()方法获得：match.group()Out:''企业名称''被匹配的字符串可以通过re.matc
h对象的string属性来调用：match.stringOut:''企业名称：CDA数据科学研究院''re.search方法如果说，要
匹配字符串并非出现在message的开头，而是中间，match()方法就没办法匹配上了，这时候可以使用re.search()方法。
比如我们想要匹配message中的“CDA数据科学院研究院”，我们将pattern指向对象改成“企业名称”，调用re.search
()方法即可：pattern=''CDA数据科学研究院''message=''企业名称：CDA数据科学研究院''search=re.s
earch(pattern,message)searchOut:match=''CDA数据科学研究院''>值得注意的是，re.search()方法结果返回的也是re.match对象，因此前面提及到的
该类对象的方法和属性同样可以调用。search.start()search.end()search.span()search.gr
oup()search.stringOut:515(5,15)''CDA数据科学研究院''''企业名称：CDA数据科学研究院''元字符好
，我们继续思考，如果我们想要将message中“CDA”后面的一个字符也匹配上，pattern该如何写？pattern=''CDA.
''message=''企业名称：CDA数据科学研究院\n邮箱：1918560461@qq.com''search=re.searc
h(pattern,message)searchOut:=''CDA数''>通过上面的例子我们会发现，message中字符串"CDA"后面的“数”字也匹配上了，这只需要在设置pattern的
时候，在字符串“CDA”后面多加一个圆点，而这圆点的作用就是可以帮你匹配除了换行符以外的任意字符。除此之外，我们还可以把圆点换成“
\w”，最终效果也是一样的：pattern=''CDA\w''message=''企业名称：CDA数据科学研究院\n邮箱：1918560
461@qq.com''search=re.search(pattern,message)searchOut:hobject;span=(5,9),match=''CDA数''>"\w"的作用就是可以帮你匹配字符、数字、下划线或者是汉字
。而这些符号叫做元字符。除了圆点和“\w”以外，还有以下元字符：这里需要注意的是，由于元字符大多数都包含特殊字符和反斜杠，因此，为
了匹配原生字符串，可以在元字符之前添加r或R，如：pattern=r''\bCDA.{5}''#在元字符之前添加
rmessage=''企业名称：经管之家CDA数据科学研究院CDA数据分析师\n邮箱：1918560461@qq.com''sear
ch=re.search(pattern,message)print(search)Out:;span=(20,28),match=''CDA数据分析师''>在上面的例子中，我们还需要注意的就是，由于模式字符串中带有元字
符“\b”，而“\b”会匹配分界符（空格，标点符号或换行符）。因此messgae中左边起第一个“CDA”字符串前面由于没有分界符，
最终匹配的是第二个“CDA”字符串。那么上面模式字符串中出现的花括号“{}”是什么意思呢？这就是我们接下来要讲解的限定符。限定符前
面学习了元字符，我们配合re.match()方法和re.search()方法就可以进行非常灵活的字符匹配。但是只有元字符还有很多地
方无法解决，比如，我们希望匹配字符串''企业名称：CDA数据科学研究院\n邮箱：1918560461@qq.com''中的邮箱，该怎么
办？这个时候，我们就可以在模式字符串中添加限定符：pattern=''邮箱：.{17}''message=''经管之家CDA数据科学研究
院\n邮箱：1918560461@qq.com''search=re.search(pattern,message)print
(search)Out:@qq.com''>上面的patrern参数设置的原理是：既然是要匹配出message中的邮箱信息，而邮箱信息是在messaage中
字符串“邮箱：”的后面，如果邮箱信息的长度为1，pattern可以写成“邮箱：.”.但是该邮箱信息长度为17个字符，也就是说，要匹
配message中“邮箱：”后面的17个字符，这时在上面的pattern后面添加限定符“{17}”就可以匹配17个字符（不包括换行
符）。但是如果邮箱信息长度不是为17，那该怎么办？由于邮件信息就是在message中字符串“邮箱：”的后面一直到末端，因此我们可以
这样写：pattern=''邮箱：.''message=''经管之家CDA数据科学研究院\n邮箱：1918560461@qq.com''
search=re.search(pattern,message)print(search)Out:ject;span=(15,35),match=''邮箱：1918560461@qq.com''>除了上面提及的"{n}"和"
"以外，还有那些常用的限定符呢？这里需要给大家一个提醒的是，由于元字符“.”是匹配除了换行符以外的任意字符，因此，即使我们的mes
sage中，邮箱信息后面如果有换行，上面的方法依然可以匹配出邮箱信息，比如：pattern=''邮箱：.''message=''企业名
称：CDA数据科学研究院\n邮箱：1918560461@qq.com\n地址：北京市海淀区厂洼街3号2号楼2-3层\n网址：www
.cda.cn''search=re.search(pattern,message)print(search)Out:Matchobject;span=(16,36),match=''邮箱：1918560461@qq.com''>但是，如果上面
的message中“地址”两个字的前面没有换行符“\n”呢？该如何匹配出邮箱信息？我们只需要在pattern中星号的后面加上邮箱地
址最后的字符“com”作为匹配的结束即可：pattern=''邮箱：.com''message=''企业名称：CDA数据科学研究院\n邮箱：1918560461@qq.com地址：北京市海淀区厂洼街3号2号楼2-3层\n网址：www.cda.cn''search=re.search(pattern,message)print(search)Out:CDA数据分析师(CDA.cn)——真本事，心舒适2 |
|
