Python正则表达式：匹配和提取文本中的信息

正则表达式是在文本处理中非常常用的工具。它是一种通用的语言，可以用来匹配、搜索和修改文本。Python中的re模块提供了支持正则表达式的工具，使其成为文本处理的不二之选。

一、基本概念

正则表达式是一种强大的文本匹配工具，可以匹配模式中定义的文本。正则表达式中可以使用字符集、重复、分组、以及其他特殊语法，从而精确匹配要查找的文本。在Python中使用re模块来操作正则表达式。

例如，下面的代码可以匹配数字字符串：

import re

pattern = r'\d+'
text = "This is a number 12345"
result = re.findall(pattern, text)
print(result)

输出结果为：

['12345']

其中，r'\d+'表示匹配一个或多个数字，findall()函数用于查找所有匹配的字符串。

二、常用技巧

1. 匹配字符串开头或结尾

可以使用字符集^和$匹配字符串的开头和结尾。例如，下面的代码可以匹配以数字开头的字符串：

import re

pattern = r'^\d+'
text = "123abc123"
result = re.findall(pattern, text)
print(result)

输出结果为：

['123']

2. 匹配多个条件

可以使用字符集|匹配多个条件，如下例所示：

import re

pattern = r'apple|orange'
text = "I like apple and orange"
result = re.findall(pattern, text)
print(result)

输出结果为：

['apple', 'orange']

3. 分组匹配

可以使用()进行分组匹配，如下例所示：

import re

pattern = r'(\d+)-(\d+)-(\d+)'
text = "2021-07-01"
result = re.findall(pattern, text)
print(result)

输出结果为：

[('2021', '07', '01')]

三、实战演练

现在，我们来实现一个简单的正则表达式功能，从HTML文件中提取出所有的链接。

import re

def extract_links(filename):
    with open(filename) as f:
        text = f.read()
        pattern = r']*)'
        links = re.findall(pattern, text)
        return links

links = extract_links('example.html')
print(links)

在此例子中，我们使用了正则表达式匹配HTML链接。是一个典型的HTML链接格式，其中包含了链接的URL地址。因此，我们可以使用正则表达式']*)'来提取其中的链接。