用正則表達式（Regex）在Python中進行文本匹配和替換

一、正則表達式的基本語法

正則表達式，簡稱為Regex，是用來匹配字元串的一種工具。在Python中使用正則表達式需要引入re模塊。正則表達式的基本語法如下：

import re
pattern = r'正則表達式的規則'

其中，r是raw string的縮寫，指的是將後面的字元串當作原始字元串來處理，忽略其中的轉義字元。正則表達式的規則是使用特定語法描述的一個字元串模式。

正則表達式中的一些常用符號及其含義如下：

• .: 匹配除換行符外的任意一個字元
• ^: 以什麼為開頭
• $: 以什麼為結尾
• *: 匹配前一個字元0次或多次
• +: 匹配前一個字元1次或多次
• ?: 匹配前一個字元0次或1次
• {m,n}: 匹配前一個字元m到n次
• []: 匹配方括弧中的任意一個字元
• |: 匹配符號左右兩邊任意一個表達式
• (): 標記子表達式的開始和結束位置

例如，要匹配一個由數字和字母組成的字元串，可以使用如下正則表達式：

pattern = r'\w+'

其中，\w表示匹配任意一個數字和字母，+表示匹配前一個字元1次或多次。

二、Python中的re模塊

Python中的re模塊提供了多個函數用於正則表達式的操作，其中最常用的是search()和sub()函數。

1. search()函數

search()函數用於在字元串中查找模式，返回找到的第一個匹配對象。如果未找到匹配項，則返回None。

import re
text = 'Hello, World!'
pattern = r'World'
result = re.search(pattern, text)
if result:
    print('找到了')
else:
    print('沒找到')

輸出結果為：

找到了

2. sub()函數

sub()函數用於進行字元串的替換。它接受三個參數，第一個參數是正則表達式，第二個參數是用來替換的字元串，第三個參數是要進行替換的原始字元串。

import re
text = 'Hello, World!'
pattern = r'World'
new_text = re.sub(pattern, 'Python', text)
print(new_text)

輸出結果為：

Hello, Python!

三、應用場景

1. 郵箱地址的匹配

郵箱地址是一個符合特定格式的字元串，可以用正則表達式進行匹配。例如，要匹配一個符合163郵箱格式的字元串：

import re
email = 'test@163.com'
pattern = r'\w+@\w+\.\w+'
result = re.match(pattern, email)
if result:
    print('匹配成功')
else:
    print('匹配失敗')

輸出結果為：

匹配成功

2. HTML標籤的提取

在爬蟲中，經常需要從HTML頁面中提取出頁面中的文本和圖片鏈接，可以使用正則表達式來提取HTML標籤。例如，要提取頁面中的所有超鏈接：

import re
html = '<a href="https://www.baidu.com">百度</a><a href="https://www.google.com">谷歌</a>'
pattern = r'<a href="(.+?)">(.+?)</a>'
result = re.findall(pattern, html)
for link, text in result:
    print(link, text)

輸出結果為：

https://www.baidu.com 百度
https://www.google.com 谷歌

3. 中文分詞

中文分詞是指將一串中文文本切分成一個個合理的詞語，是自然語言處理中的重要技術。在中文分詞中，常使用正則表達式來進行切分。例如，要將一句中文話切分成一個個詞語：

import re
text = '我愛北京天安門'
pattern = r'[\u4e00-\u9fa5]+'
result = re.findall(pattern, text)
print(result)

輸出結果為：

['我', '愛', '北京', '天安門']

總結

正則表達式在Python中的應用非常廣泛，可以用於字元串匹配、替換、提取等多個方面。對於一些需要對字元串進行處理的場景，通過正則表達式可以大大提高開發效率。