Python正则表达式：高效匹配文本

在我们平时的工作和学习中，常常需要对字符串进行处理。而正则表达式则是一种强大的字符串匹配工具，可以用于字符串的查找、替换、截取等操作。

一、正则表达式基础

正则表达式是由一系列字符和特殊字符组成的模式，用于描述字符串的特征。常用的正则表达式元字符有：

• .：匹配除换行符以外的任意字符
• \d：匹配数字字符，也可以用[0-9]表示
• \w：匹配字母、数字和下划线，也可以用[a-zA-Z0-9_]表示
• \s：匹配空白字符，包括空格、制表符、换行符等
• []：用于指定匹配的字符集合，比如[aeiou]匹配元音字母
• ^：匹配开头，比如^hello匹配以hello开头的字符串
• $：匹配结尾，比如world$匹配以world结尾的字符串
• *：匹配任意次，包括0次
• +：匹配至少一次
• ?：匹配0次或1次
• {m,n}：匹配m至n次，包括m和n

下面是一个简单的示例，利用正则表达式匹配出一个字符串中的数字：

 import re
 str = 'There are 3 apples and 5 oranges.'
 pattern = r'\d+'
 result = re.findall(pattern, str)
 print(result)  # ['3', '5']

以上代码使用\d+这个正则表达式模式来查找字符串中的数字，并返回一个列表。如果使用re.search()函数，则会返回第一个匹配的结果。

二、正则表达式高级应用

正则表达式不仅可以用来进行基本的匹配，还可以进行分组、反向引用、零宽断言等高级操作。

1. 分组

分组可以将正则表达式中的一部分提取出来，方便后续对其进行操作。分组使用圆括号()进行表示。比如匹配一段文本中的中英文名字：

 import re
 text = 'My name is Jack, 你叫什么名字？'
 pattern = r'My name is (\w+), (.+)\?'
 match = re.search(pattern, text)
 if match:
    print('My name is', match.group(1))
    print('What is your name?', match.group(2))

以上代码中，(\w+)表示将英文名字进行分组，(.+)表示将中文名字进行分组，然后使用match.group()方法获取分组结果。

2. 反向引用

反向引用可以在正则表达式中引用前面的分组结果。它使用\数字或(?P<name>)进行表示，其中\<数字>表示引用数字代表的分组结果，(?P<name>)则可以为分组指定一个名字。

比如，使用正则表达式寻找重复的单词：

 import re
 text = 'I like coding, coding is fun. What do you like?'
 pattern = r'\b(\w+)\b\s+\1\b'
 matches = re.findall(pattern, text)
 print(matches)  # ['coding']

以上代码中，(\w+)将一个单词进行分组，\s+匹配任意长度的空格，\1则表示引用前面的分组结果。它的含义是，匹配重复的单词，即两个相同的单词之间有任意长度的空格。

3. 零宽断言

零宽断言是指在匹配字符串的时候，只匹配符合某种条件的字符串，而不将该条件字符串包含其中。常用的零宽断言有：正向先行断言(?=pattern)、正向后行断言(?<=pattern)、负向先行断言(?!pattern)和负向后行断言(?<!pattern)。

比如，判断一个字符串是否包含数字和字母：

 import re
 text = 'abc123'
 pattern1 = r'(?=.*\d)(?=.*[a-zA-Z])'
 pattern2 = r'[a-zA-Z0-9]{6,}'
 match1 = re.search(pattern1, text)
 match2 = re.search(pattern2, text)
 if match1 and match2:  
    print('The text contains letters and numbers.')

以上代码中，(?=.*\d)和(?=.*[a-zA-Z])分别表示要求字符串中包含数字和字母，[a-zA-Z0-9]{6,}则表示要求字符串中至少有6个字母和数字。

三、应用实例

正则表达式可以应用于很多场景，比如爬虫、文本处理、数据清洗等。下面是一些常见的应用实例。

1. 爬虫

在爬虫中，我们需要从网页中提取有用的信息，又需要快速、准确地将无用信息滤掉。正则表达式可以帮助我们完成这个任务。

 import re
 import requests
 url = 'https://www.baidu.com'
 html = requests.get(url).text
 pattern = r''
 result = re.findall(pattern, html)
 for link in result:
    print(link)

以上代码中，<a href="(https?:\/\/.*?)".*?>表示匹配所有标签中的URL。这样我们就可以从网页中提取出所有的链接。

 import re
 log = '127.0.0.1 - - [01/May/2022:08:34:12 +0800] "GET / HTTP/1.1" 200 1234'
 pattern = r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}'
 result = re.search(pattern, log)
 if result:
    print(result.group())

 import re
 phone = '0086-13812345678'
 pattern1 = r'^\d{1,4}-\d{7,8}$'
 pattern2 = r'^0086-(\d{11})$'
 if re.match(pattern1, phone):
    print('The phone number is in the correct format.')
 match = re.match(pattern2, phone)
 if match:
    print('The corrected phone number is +86-', match.group(1))