利用 Python 中的正則表達式進行文本處理

正則表達式是一種通用的文本處理工具，可以幫助我們快速、靈活地處理各種文本。Python 作為一門功能強大、易學易用的編程語言，不僅集成了正則表達式模塊，而且還提供了各種字元串、列表、字典等方便處理文本的數據類型和函數庫。

一、正則表達式基礎

正則表達式是由一系列特殊字元和普通字元組成的模式，它可以用來匹配、查找、替換文本中的字元串。以下是一些正則表達式的基本元字元：

.  匹配任意單個字元
\w 匹配任意單詞字元（字母、數字、下劃線）
\d 匹配任意數字字元
\s 匹配任意空白字元（包括空格、製表符等）
^  匹配字元串開頭
$  匹配字元串結尾

例如，\d{3} 可以匹配一個由三個連續數字字元構成的字元串，[a-z]\w* 可以匹配一個以小寫字母開頭、後面跟著任意單詞字元的字元串。

二、Python中的正則表達式模塊

Python中的正則表達式模塊是 re，它提供了豐富的功能來處理各種文本操作。以下是一些常用的正則表達式函數：

re.match(pattern, string, flags=0)：從字元串開頭匹配正則表達式
re.search(pattern, string, flags=0)：在字元串中查找第一個匹配的正則表達式
re.findall(pattern, string, flags=0)：查找所有匹配的正則表達式，並以列表形式返回
re.sub(pattern, repl, string, count=0, flags=0)：使用指定字元串替換與正則表達式匹配的所有子串

例如，可以使用 re.findall('\d+', text) 查找文本中所有的數字，使用 re.sub('<a.*?>(.*?)</a>', '\1', html) 替換 HTML 中的超鏈接。

三、應用案例

1. 提取網頁中的文章標題

在 HTML 中，網頁標題通常被包含在 <title></title> 標籤中。我們可以使用以下的代碼提取網頁中的文章標題：

import re
import requests

url = 'https://www.example.com'
html = requests.get(url).text
pattern = '<title>(.*?)</title>'
match = re.search(pattern, html, re.S)
if match:
    print(match.group(1))

該代碼使用 requests 模塊獲取網頁 HTML 源代碼，然後使用正則表達式提取網頁標題。需要注意的是，使用 re.search() 函數時需要指定 re.S 標誌以匹配多行文本。

2. 校驗手機號碼格式

在國內，手機號碼通常是11位數字，以1開頭。為了校驗手機號碼格式是否合法，我們可以使用以下的代碼實現：

import re

def is_valid_phone_number(phone_number):
    pattern = '^1\d{10}$'
    return bool(re.match(pattern, phone_number))

該函數接受一個手機號碼作為參數，並使用 re.match() 函數判斷是否符合手機號碼的格式。如果符合，則返回 True，否則返回 False。

3. 刪除字元串中的標點符號

有時候我們需要刪除字元串中的標點符號，以進行文本分析或者數據處理的工作。以下的代碼可以刪除字元串中的所有標點符號：

import re

def remove_punctuation(text):
    pattern = r'[^\w\s]+'
    return re.sub(pattern, '', text)

該函數接受一個字元串作為參數，使用 re.sub() 函數將字元串中的所有標點符號替換為空字元串。