Python正则表达式：文本处理的强大工具

嗨，小伙伴们！今天我们要一起探索Python中一个非常强大但有时也让人感到神秘的功能 —— 正则表达式。正则表达式就像是文本处理的瑞士军刀，可以帮助我们进行复杂的字符串匹配、搜索和替换操作。虽然乍看起来可能有点intimidating，但别担心，我们会一步步掌握这个强大的工具！

1. 正则表达式初探

我们需要导入Python的 re 模块，它提供了所有与正则表达式相关的功能：

```python
import re

让我们从一个简单的例子开始：

python

复制

pattern = r'\d+'  # 匹配一个或多个数字
text = “我今年25岁，身高180cm”

matches = re.findall(pattern， text)
print(matches)  # 输出：['25'， '180']

在这个例子中， \d+ 是一个正则表达式模式，它匹配一个或多个数字。 re.findall() 函数会找出所有匹配的子字符串并返回一个列表。 小贴士：在Python中，我们常常在字符串前加 r （如 r'\d+' ），这表示这是一个“原始字符串”，Python不会对反斜杠进行特殊处理。这在写正则表达式时特别有用！

2. 常用的正则表达式模式

正则表达式有一些常用的特殊字符和模式，让我们来看看：

python

复制

import re

text = “The quick brown fox jumps over the lazy dog. It barked：woof 123！”

# 匹配单词
word_pattern = r'\b\w+\b'
words = re.findall(word_pattern， text)
print(“Words：”， words)

# 匹配邮箱地址
email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2，}\b'
email = “Contact us at：[email protected]”
found_email = re.search(email_pattern， email)
print(“Email：”， found_email.group() if found_email else “No email found”)

# 匹配电话号码（简化的美国格式）
phone_pattern = r'\(？\d{3}\)？[-.\s]？\d{3}[-.\s]？\d{4}'
phone = “Call us at (123) 456-7890 or 987-654-3210”
phone_numbers = re.findall(phone_pattern， phone)
print(“Phone numbers：”， phone_numbers)

这里我们看到了几个常用的模式：

• \b ：单词边界
• \w+ ：一个或多个字母、数字或下划线
• [A-Za-z0-9._%+-]+ ：一组允许的字符，用于匹配邮箱的用户名部分
• \d{3} ：恰好三个数字

注意事项：正则表达式非常强大，但也可能变得复杂。在处理复杂的模式时，建议将其分解并添加注释，以提高可读性。

3. 使用正则表达式进行替换

除了查找，正则表达式还常用于文本替换：

python

复制

import re

text = “我的电话是123-456-7890和987-654-3210”

# 隐藏电话号码的中间四位数字
hidden_text = re.sub(r'(\d{3})-\d{4}-(\d{4})'， r'\1-****-\2'， text)
print(hidden_text)
# 输出：我的电话是123-****-7890和987-****-3210

re.sub() 函数用于替换文本。这里我们使用了分组（括号内的部分）来保留我们想保留的部分，并用 \1 和 \2 来引用这些分组。

4. 编译正则表达式

如果你需要多次使用同一个正则表达式，可以先将其编译以提高效率：

python

复制

import re

pattern = re.compile(r'\d+')

text1 = “我今年25岁”
text2 = “我的身高是180cm”

print(pattern.findall(text1))  # 输出：['25']
print(pattern.findall(text2))  # 输出：['180']

编译后的正则表达式对象可以多次使用，而无需每次都重新解析模式。

5. 正则表达式的贪婪vs非贪婪匹配

默认情况下，正则表达式是贪婪的，意味着它们会尽可能多地匹配：

python

复制

import re

text = “<p>这是一个段落</p><p>这是另一个段落</p>”

# 贪婪匹配
greedy_pattern = r'<p>.*</p>'
print(re.findall(greedy_pattern， text))
# 输出：['<p>这是一个段落</p><p>这是另一个段落</p>']

# 非贪婪匹配
non_greedy_pattern = r'<p>.*？</p>'
print(re.findall(non_greedy_pattern， text))
# 输出：['<p>这是一个段落</p>'， '<p>这是另一个段落</p>']

通过在 * 或 + 后面加上 ？ ，我们可以使匹配变成非贪婪的，这在处理HTML等结构化文本时特别有用。

小贴士：在处理HTML时，最好使用专门的HTML解析库（如Beautiful Soup）而不是正则表达式，因为HTML的结构可能非常复杂。

总结

今天我们学习了Python中正则表达式的基础知识，包括基本语法、常用模式、替换操作、编译正则表达式以及贪婪与非贪婪匹配。正则表达式是一个强大的工具，可以大大简化我们的文本处理任务。