Python Regex: 從文本中匹配和提取特定模式的信息

在軟體開發和數據處理中，處理文本數據是一個非常常見的操作。然而，大部分的文本數據並不是非常乾淨和規範化的，因此需要使用一些工具來幫助我們從中提取需要的信息。Python正則表達式就是一個非常強大的工具，它可以幫助我們從文本中匹配和提取特定模式的信息。

一、正則表達式的基礎語法

正則表達式是一個特殊的字元串，用來描述一種匹配規則。在Python中，我們可以使用re模塊來進行正則表達式的匹配和提取操作。下面是一些正則表達式的基礎語法：

# 匹配字元串中的數字
import re

text = "hello 123 world"
pattern = r"\d+"

result = re.findall(pattern, text)
print(result)  # ['123']

在上面的示例中，我們使用r”\d+”這個正則表達式來匹配文本中的數字。其中，\d表示任意數字字元，+表示前面的字元出現一次或多次。re.findall函數會返回找到的所有匹配結果。

二、正則表達式的常見操作

除了基礎的語法之外，正則表達式還有一些常用的操作，包括字元組、數量詞、邊界、分組等。

1. 字元組

字元組用來匹配一組字元中的任意一個字元。在正則表達式中，可以使用方括弧[]來表示一個字元組。

# 匹配字元串中的母音字母
import re

text = "hello world"
pattern = r"[aeiou]"

result = re.findall(pattern, text)
print(result)  # ['e', 'o', 'o']

在上面的示例中，我們使用r”[aeiou]”這個正則表達式來匹配文本中的母音字母。其中，方括弧[]表示一個字元組，裡面可以列舉出要匹配的字元。正則表達式會匹配其中的任意一個字元。

2. 數量詞

數量詞用來控制前面的字元出現的次數。在正則表達式中，可以使用{m}、{m,n}、+、*、?等符號來表示數量詞。

# 匹配字元串中的連續數字
import re

text = "hello 123 world"
pattern = r"\d{3}"

result = re.findall(pattern, text)
print(result)  # ['123']

在上面的示例中，我們使用r”\d{3}”這個正則表達式來匹配文本中的連續數字。其中，{m}表示前一個字元出現m次，\d表示數字字元。正則表達式會匹配連續出現的三個數字字元。

3. 邊界

邊界用來限定匹配的範圍。在正則表達式中，可以使用^、$、\b、\B等符號來表示邊界。

# 匹配以數字開頭和結尾的字元串
import re

text = "123hello456world789"
pattern = r"^\d.*\d$"

result = re.findall(pattern, text)
print(result)  # ['123hello456world789']

在上面的示例中，我們使用r”^\d.*\d$”這個正則表達式來匹配以數字開頭和結尾的字元串。其中，^表示字元串的開始，\d表示數字字元，.*表示任意字元出現一次或多次，$表示字元串的結尾。這樣，正則表達式會匹配整個字元串。

4. 分組

分組可以將正則表達式中的一部分括弧起來，以便進行後續的操作。在正則表達式中，可以使用圓括弧()來表示一個分組。

# 匹配字元串中的日期
import re

text = "today is 2022-01-01"
pattern = r"(\d{4})-(\d{2})-(\d{2})"

result = re.findall(pattern, text)
print(result)  # [('2022', '01', '01')]

在上面的示例中，我們使用r”(\d{4})-(\d{2})-(\d{2})”這個正則表達式來匹配字元串中的日期。其中，分組中的\d{4}表示四個數字字元，\d{2}表示兩個數字字元。正則表達式會匹配其中的數字並組成一個元組返回。

三、實際應用場景

正則表達式在實際的應用場景中非常常見，例如檢查郵箱、電話號碼、網址等。下面我們將演示一個實際的例子，使用正則表達式從一篇文章中提取出所有的鏈接。

# 提取鏈接
import re
import requests

url = "https://www.python.org/"

html = requests.get(url).text
pattern = r'href="(.+?)"'

links = re.findall(pattern, html)
for link in links:
    print(link)

在上面的示例中，我們使用requests庫獲取Python官網的HTML代碼，然後使用正則表達式r’href=”(.+?)”‘匹配所有的鏈接。正則表達式中的(.+?)表示任意字元出現一次或多次，且是非貪婪模式，即儘可能少地匹配。re.findall函數返回所有匹配結果的列表。

四、總結

Python正則表達式是一個非常強大的工具，它可以幫助我們從文本中匹配和提取特定模式的信息。在應用正則表達式時，我們需要熟悉常見的正則表達式語法，包括字元組、數量詞、邊界、分組等。此外，實際應用中，正則表達式也非常廣泛，包括檢查郵箱、電話號碼、網址等，可以幫助我們更快捷地進行數據處理。