利用 Python 進行文本查找和提取

一、正則表達式

使用正則表達式可以高效地從文本中查找和提取信息。Python 中內置了 re 模塊，可用於使用正則表達式執行匹配操作。

在搜索和提取文本時，首先需要定義一個模式，模式是由一些特定字元和元字元組成的字元串，它描述了我們想要搜索的文本的模式。以下是一些常見的元字元：

. 匹配任何字元
\\d 匹配數字
\\D 匹配非數字
\\w 匹配單詞字元，包括字母、數字、下劃線
\\W 匹配非單詞字元
\\s 匹配空白字元，包括空格、製表符、換行符等
\\S 匹配非空白字元
[] 匹配其中任意一個字元，如[a-z]表示匹配任意一個小寫字母
^ 表示匹配以某個字元或幾個字元開頭
$ 表示匹配以某個字元或幾個字元結尾
* 表示匹配前面的字元0或多次
+ 表示匹配前面的字元1或多次
? 表示匹配前面的字元0或1次
{m} 表示匹配前面的字元m次
{m,n} 表示匹配前面的字元m~n次

下面是一個簡單的 Python 代碼示例，用於搜索文本中的數字：

import re

text = "hello 123 world"
pattern = "\\d+"
result = re.findall(pattern, text)
print(result)  # 輸出 ['123']

二、BeautifulSoup

BeautifulSoup 是 Python 的一個 HTML 和 XML 解析庫，可以從 HTML 或 XML 中提取數據。它跨平台、易學易用，可以快速地處理大量的 HTML 文件。

以下是 BeautifulSoup 的使用示例：

from bs4 import BeautifulSoup

html = '<html><body><p>hello world</p></body></html>'
soup = BeautifulSoup(html, 'html.parser')
print(soup.p.string)  # 輸出 hello world

以上代碼將 HTML 字元串解析為 BeautifulSoup 對象，然後通過 soup.p.string 提取了其中的文本。

三、XPath

如果我們需要從 HTML 或 XML 中提取數據，可以使用 XPath。XPath 是一種用於選擇 XML 或 HTML 節點的語言，它提供了在文檔中導航和定位節點的方法。

以下是使用 lxml 庫和 XPath 的示例代碼：

from lxml import etree

html = '<html><body><p>hello world</p></body></html>'
tree = etree.HTML(html)
result = tree.xpath('//p/text()')
print(result)  # 輸出 ['hello world']

以上代碼使用 lxml 庫將 HTML 字元串解析為 Element 對象，然後使用 XPath 表達式 //p/text() 提取了其中的文本。

四、Pandas

Pandas 是一個強大的數據分析工具，可以用於處理各種類型的數據。在文本數據方面，Pandas 提供了多種函數，如文本匹配、逐行訪問、替換和拼接等。

以下是一個使用 Pandas 進行文本匹配的示例代碼：

import pandas as pd

data = {'name': ['Alice', 'Bob', 'Charlie'], 'age': [20, 25, 30]}
df = pd.DataFrame(data)

# 使用 str 匹配包含字元串 'l' 的所有名字
result = df[df['name'].str.contains('l')]
print(result)  # 輸出 name     age\n0  Alice   20\n2  Charlie 30

以上代碼創建了一個包含姓名和年齡的 DataFrame，並使用 str.contains() 匹配包含字母 ‘l’ 的所有姓名。

五、結語

以上是利用 Python 進行文本查找和提取的幾種方式，它們分別是使用正則表達式、BeautifulSoup、XPath 和 Pandas。每種方式都有其適用的場景，根據不同的需求選擇合適的方式可以提高效率和代碼質量。

原創文章，作者：小藍，如若轉載，請註明出處：https://www.506064.com/zh-tw/n/180372.html