《大数据分析：基于Python》 课件 第9章 正则表达式与格式化输出 .pptx

;正则表达式通常被用来检索、替换那些匹配某个模式的文本，如查找和提取某个网页中所有的Email或者电话号码、网址等。

Python中正则表达式的模块为re，用importre导入。它是一种用来匹配字符串的强有力武器。其设计思想是用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，就认为它“匹配”上了，否则该字符串就不合规。

如在网上填表时，经常需要填写手机号码，当只有输入正确的格式时才被接收，如第一位是1，总共11位数字，这就是用正则表达式去匹配数字。;9.1元字符

在python的正则模块里，一个数字可以用“\d”匹配；一个既可以是字母又可以是数字，则可以用“\w”匹配，如身份证的最后一位；“.”可以匹配任意字符。

先来看看如下的匹配模式。

00\d：可以匹配007，但无法匹配00A，也就是说’00’后面只能是数字；

\d\d\d：可以匹配010，只可匹配三位数字；

\w\w\d：可以匹配py3，前两位可以是数字或字母，但是第三位只能是数字，如a12、3a1、223，但不可以匹配y1w或者27f。

py.：可以匹配pyc、py2、py!等等，最后一位可以是任意的字符。

像上面这样“.”“\w”“\d”等有特殊用途、不代表其本身字符意义的符号称之为元字符。利用元字符进行组合可以匹配各种字符串。常用的元字符如下表9-1所示。;在正则表达式中，用*表示任意个字符（包括0个），用+表示至少一个字符，用?表示0个或1个字符，用{n}表示n个字符，用{n,m}表示n～m个字符。

下面看一个复杂的例子：\d{3}\s+\d{3,8}。;[0-9a-zA-Z\_]可以匹配一个数字、字母或者下画线。

[0-9a-zA-Z\_]+可以匹配至少由一个数字、字母或者下画线组成的字符串，如a100，0_Z，Py3000等。

[a-zA-Z\_][0-9a-zA-Z\_]*可以匹配由字母或下画线开头，后接任意个由一个数字、字母或者下画线组成的字符串，也就是Python合法的变量。

[a-zA-Z\_][0-9a-zA-Z\_]{0,19}更精确地限制了变量的长度是1～20个字符（前面1个字符+后面最多19个字符）。

A|B可以匹配A或B，所以(P|p)ython可以匹配Python或者python。

^表示行的开头，^\d表示必须以数字开头。

$表示行的结束，\d$表示必须以数字结束。

需要注意，py也可以匹配python，但是加上^py$就变成了整行匹配，就只能匹配py了。;如匹配文本“eamil120487362@1234”中的Email正则表达式，则匹配模式为：\b[\w.%+-]+@[\w.-]+\.[a-zA-Z]{2,4}\b，具体的表达式解析如下图.;9.2re模块及其函数

Python提供re模块，其包含所有正则表达式的功能，在使用时先使用importre导入。由于Python的字符串本身也用\转义，所以要特别注意。

s=ABC\\-001

正则表达式对应的字符串变成：ABC\-001。

因此强烈建议使用Python的r做前缀，这样就不用考虑转义的问题。

s=rABC\-001

正则表达式对应的字符串仍是：ABC\-001。;re.match()总是从字符串的开头位置开始查找匹配，并返回匹配到的字符串的match对象（匹配对象）class_sre.SRE_Match，如果不是在起始位置或者匹配不到，match()函数将返回None。

re.match()匹配成功返回的结果是match对象，有三部分，匹配的结果是第三部分match的值，第二部分表示匹配到的起止范围span，如In[2]返回的结果第二部分span=(0,9)。

也可直接使用group()方法直接返回匹配结果。;9.2.1分组

除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用()表示的即为要提取的分组（Group）。

例如：^(\d{3})-(\d{3,8})$分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码。;如果正则表达式中定义了组，就可以在match对象上用group()方法提取子串。注意到group(0)是原始字符串，group(1)、group(2)……表示第1、2……个子串。提取子串非常有用，举例如下。;9.2.2切分字符串

用正则表达式切分字符串比用固定的字符更灵活，一般切分方法如下。;9.2.3re.search()函数

re.search()函数对整个字符串进行搜索匹配，返回第一个匹配到的字符串match对象。格式如下。

re.search(pattern,string[,flags=0])

pattern：匹配模式，由pile获得。

string：被匹配的文本