利用Python正則表達式實現文本的高效搜索與處理

一、正則表達式基礎知識

正則表達式（Regular Expression，簡稱Regex）是一種用來描述、匹配、搜索文本的字元串。在Python中，用re模塊來支持正則表達式相關操作。下面是一個簡單的正則表達式。

import re
text = "Hello, my name is John. I am 25 years old."
pattern = "John"
result = re.search(pattern, text)
print(result.group())  # 輸出 "John"

上面的代碼中，我們使用re模塊中的search函數查找字元串text中是否包含了模式字元串”John”。如果找到了，就會返回一個match對象，可以使用group()方法來獲取匹配到的字元串。

除了使用固定的字元串作為模式，我們還可以使用正則表達式中的元字元來編寫更加靈活的模式。例如下面的代碼中，使用元字元”.”匹配任意單個字元，使用”*”表示重複前面的字元0次或多次。

import re
text = "Hello, my name is John. I am 25 years old."
pattern = "J.*n"  # 匹配任意以J開頭，n結尾的字元串
result = re.search(pattern, text)
print(result.group())  # 輸出 "John"

上面的代碼中，我們使用正則表達式J.*n匹配前面提到的模式，這樣就能同時匹配到”John”和”Jon”這兩個字元串。

二、文本搜索與替換

正則表達式不僅可以用來搜索特定的字元串，還可用於搜索一類字元串並進行批量替換。下面是一個簡單的示例，將字元串中所有的英文逗號替換為中文逗號。

import re
text = "Hello, my name is John, I am 25 years old."
pattern = ","
result = re.sub(pattern, "，", text)
print(result)  # 輸出 "Hello， my name is John， I am 25 years old."

上面的代碼中，我們使用了re模塊的sub函數，將字元串中所有的英文逗號替換為中文逗號。sub函數的第一個參數是模式字元串，第二個參數是替換字元串，第三個參數是要被替換的文本。

三、貪婪與非貪婪匹配

在正則表達式匹配的過程中，有時會出現貪婪匹配和非貪婪匹配的問題。比如下面的正則表達式，使用了貪婪匹配。

import re
text = "Hello, my name is John, and my favorite color is blue."
pattern = "John.*blue"  # 貪婪匹配，會匹配到"John, and my favorite color is"
result = re.search(pattern, text)
print(result.group())

在上面的代碼中，我們使用了正則表達式”John.*blue”匹配包含”John”和”blue”之間的所有字元串。這是一種貪婪匹配方式，如果在模式中使用”*”、”+”、”?”等重複匹配的元字元，正則表達式會儘可能地匹配更多的字元。

為了解決這個問題，可以使用非貪婪匹配，即在重複匹配的元字元後面加上”?”。例如下面的代碼，就使用了非貪婪匹配。

import re
text = "Hello, my name is John, and my favorite color is blue."
pattern = "John.*?blue"  # 非貪婪匹配，只會匹配到"John, and my favorite color is blue"
result = re.search(pattern, text)
print(result.group())

這種方式會儘可能地匹配更少的字元。

四、分組匹配

正則表達式中還有一種非常實用的技巧，就是分組匹配。用小括弧將需要匹配的部分括起來，可以方便地提取匹配到的部分。

import re
text = "My phone number is 123-456-7890."
pattern = "(\d{3})-(\d{3})-(\d{4})"  # 使用分組匹配電話號碼
result = re.search(pattern, text)
print(result.group())  # 輸出 "123-456-7890"
print(result.group(1))  # 輸出 "123"
print(result.group(2))  # 輸出 "456"
print(result.group(3))  # 輸出 "7890"

在上面的代碼中，我們使用了三個小括弧將電話號碼分成了三個部分。search函數返回的match對象可以使用group()方法獲取整個匹配結果，也可以使用group(i)方法獲取第i個分組匹配到的結果。

五、常用的正則表達式模式

最後，我們來介紹一些常用的正則表達式模式。這些模式用於匹配特定的內容，可以大大簡化正則表達式的編寫。

• \w：匹配任意字母、數字或下劃線。
• \W：匹配任意非字母、數字或下劃線的字元。
• \d：匹配任意數字。
• \D：匹配任意非數字的字元。
• \s：匹配任意空白字元，包括空格、製表符、換行符等。
• \S：匹配任意非空白字元。
• \b：匹配單詞邊界。
• \B：匹配非單詞邊界。
• [abc]：匹配字元a、b、c中的任意一個。
• [^abc]：匹配除了字元a、b、c之外的任意一個字元。

例如下面的代碼，使用\s模式匹配空白字元，並使用split函數將字元串分隔成一個列表。

import re
text = "Hello\tworld.\nHow are you?"
pattern = "\s+"
result = re.split(pattern, text)
print(result)  # 輸出 ["Hello", "world.", "How", "are", "you?"]

六、 總結

Python中的正則表達式是一種十分強大的文本處理工具，它可以實現複雜的文本搜索和替換操作。掌握正則表達式基礎知識、常用模式和技巧，可以大大提高文本處理的效率。