Python RE：用正則表達式解析文本數據

在進行文本數據處理時，使用正則表達式（Regular Expression，RE）是一種常見且強大的方法。Python自帶的re模塊提供了全面而靈活的正則表達式操作功能。本文將從以下幾個方面介紹Python RE的使用方法：

一、什麼是正則表達式

正則表達式是一種由字元和操作符組成的表達式，用於匹配、搜索以及替換文本中的字元串。正則表達式具有高度靈活性，可以用於處理各種文本格式和內容，如電話號碼、電子郵件地址、網址等。

在Python中，re模塊提供了常用的正則表達式操作函數，包括：match、search、findall、sub和split等。其中，re.match和re.search用於在字元串開頭或任意位置匹配模式，re.findall用於返回所有匹配的子串，re.sub用於替換字元串中的子串，re.split用於按照指定模式分割字元串。

二、正則表達式語法

Python RE支持基本的正則表達式語法和擴展的正則表達式語法。基本的語法包括：

• .：匹配任意單個字元
• ^：匹配字元串開頭
• $：匹配字元串結尾
• *：匹配前面的字元0次或多次
• +：匹配前面的字元1次或多次
• ?：匹配前面的字元0次或1次
• |：匹配左右兩邊任意一個表達式
• []：匹配中括弧內任意一個字元
• ()：創建捕獲組，用於提取子串

擴展的語法包括：

• {}：匹配前面的字元指定次數
• \d：匹配任意數字字元
• \D：匹配任意非數字字元
• \s：匹配任意空白字元
• \S：匹配任意非空白字元
• \w：匹配任意數字、字母或下劃線
• \W：匹配任意非數字、字母或下劃線
• \b：匹配單詞邊界
• \B：匹配非單詞邊界

以下是一些常用正則表達式示例：

# 匹配電話號碼
pattern = r'(\d{3}-\d{8}|\d{4}-\d{7})'

# 匹配電子郵件地址
pattern = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,4}'

# 匹配URL地址
pattern = r'(http|https)://[^\s]+'

三、Python RE的應用

1、字元串匹配

使用re.match和re.search可以在字元串中查找匹配的子串。re.match只能從字元串開頭開始匹配，而re.search可以在任意位置匹配。如果匹配成功，返回一個match對象，否則返回None。

import re

# 匹配單詞hello或world
pattern = r'hello|world'
text = 'hello, world!'

match = re.match(pattern, text)
if match:
    print(match.group())

match = re.search(pattern, text)
if match:
    print(match.group())

輸出結果：

hello
hello

2、字元串替換

使用re.sub可以將字元串中的某個子串替換為另一個子串。

import re

# 將空格替換為下劃線
pattern = r' '
text = 'hello world'

new_text = re.sub(pattern, '_', text)
print(new_text)

輸出結果：

hello_world

3、數據提取

使用re.findall和re.findall可以從字元串中提取某個模式的所有子串。findall返回一個列表，包含所有匹配成功的子串；finditer返回一個迭代器，對每個匹配成功的子串進行操作。

import re

# 提取整數
pattern = r'\d+'
text = 'hello 123 world 456'

int_list = re.findall(pattern, text)
print(int_list)

for match in re.finditer(pattern, text):
    print(match.group())

輸出結果：

['123', '456']
123
456

四、總結

Python RE是一種強大而靈活的文本處理工具，能夠處理各種格式的文本數據，如電話號碼、電子郵件地址、網址等。Python自帶的re模塊提供了豐富的正則表達式操作函數和語法，可以輕鬆實現字元串匹配、替換和數據提取等功能。掌握Python RE的使用方法，對於進行文本數據處理和文本挖掘等任務，有著重要的實用價值。