Python入門系列24 - 正則表達(dá)式(二)

Python入門系列24

正則表達(dá)式(二)

本篇閱讀時間約為 11分鐘。

1

前言

今天繼續(xù)來介紹一下python的正則表達(dá)式，回顧一下上次介紹的re模塊整篇文章圍繞著re.findall()來進(jìn)行實(shí)例的講解，也就是所謂的查詢操作。為了便于回顧，這里給出鏈接:python入門系列23 - 正則表達(dá)式(一)

2

re模塊的sub函數(shù)

sub:中文有代替的意思。使用re.sub()可以完成我們對原始字符串的替換操作！

先來看下官方函數(shù)的參數(shù)解釋:

re.sub(pattern, repl, string, count=0, flags=0)

pattern : 正則中的模式字符串。

repl : 替換的字符串，也可為一個函數(shù)。

string : 要被查找替換的原始字符串。

count : 模式匹配后替換的最大次數(shù)，默認(rèn) 0 表示替換所有的匹配。

flags : 標(biāo)志位，用于控制正則表達(dá)式的匹配方式，如：是否區(qū)分大小寫，多行匹配等等。(如:re.I 使匹配對大小寫不敏感)

一大波實(shí)例來襲，做好準(zhǔn)備喲！

實(shí)例1(替換普通字符):

假設(shè)我數(shù)學(xué)和英文考試都得了60分……然而我并不甘心，上天給了我一次作弊的機(jī)會，可以通過程序來替換分?jǐn)?shù)！如何做呢？

import re
words = 'My math scored 60 points,My English has also scored 60 points.'
# 可以看到我的count參數(shù)給出的是0# 默認(rèn)匹配所有60分，修改為100分
new_words = re.sub('60','100',words,0)
print(new_words)

>>> My math scored 100 points,My English has also scored 100 points.

同理，若是只想修改數(shù)學(xué)成績，則將count參數(shù)改為1即可：

實(shí)例2(有邏輯的函數(shù)替換):

假設(shè)我的數(shù)學(xué)成績考了85分！emmm相當(dāng)不錯了，但是我依然想讓它增加5分，我愛數(shù)學(xué)！而英語這次考了100分，因?yàn)樽鞅琢恕瓰榱瞬蛔尷蠋煵煊X，我決定偷偷降低點(diǎn)分?jǐn)?shù)！兩種條件，如何才能使用sub函數(shù)來完成呢？別忘了我們的repl(replace)參數(shù)是可以傳遞函數(shù)的！這也是Python的一個特性，參數(shù)可以傳遞函數(shù)，如下:

import re
def modify_score(score):
 ? ?print(score)
 ? ?new_socre = score.group() ? ?
 ? ?if int(new_socre) == 85: ? ? ? ?
 ? ? ? ?return '90'
 ? ?if int(new_socre) == 100: ? ? ? ?
 ? ? ? ?return '80'

words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.sub('\d{2,3}',modify_score,words,0)
print(new_words)

講解一下:在modify_score中，使用傳入score，可以打印輸出看下它的類型，這是一種正則的類型，而非字符串類型。此類型要將其內(nèi)容本身匹配出來，則需要調(diào)用它的group()方法，new_score取出來的便是數(shù)字形式的字符串。下面的邏輯對比，需要將字符串轉(zhuǎn)換為int型，才可以進(jìn)行對比操作，否則會報錯喲。

綜上所述: re.sub()可以輕松的實(shí)現(xiàn)字符串的替換，并且可以用函數(shù)傳遞的方式來對原始字符串進(jìn)行業(yè)務(wù)邏輯的判斷。

3

re模塊其它常用函數(shù)

1. match

依然是用事例來解釋看下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.match('\d{2,3}',words)
print(new_words)

>>> None

上述結(jié)果，打印為None，Why???

因?yàn)閙atch函數(shù)在進(jìn)行匹配的時候，是從字符串的起始開始進(jìn)行匹配，若開頭的字符串不符合正則表達(dá)式，則直接返回None，也就是什么都沒匹配到，停止后續(xù)匹配。

所以如果修改words，讓我們的分?jǐn)?shù)在字符串開頭試下：

2. search

使用search的示例如下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.search('\d{2,3}',words)
print(new_words)
print(new_words.group())

>>> <_sre.SRE_Match object; span=(15, 17), match='85'>
>>> 85

上述結(jié)果，打印出了匹配到的對象與值，與match不一樣！但是可以看到，search函數(shù)只匹配到了一次的，后續(xù)分?jǐn)?shù)的100即使符合正則表達(dá)式，也不會被匹配到了。

match和search函數(shù)是當(dāng)今市場上各教程類中，寫爬蟲最常用的兩個方法，而實(shí)際上這兩個函數(shù)是需要對匹配后的結(jié)果進(jìn)行g(shù)roup分組處理，才能取出你想要的結(jié)果。在上節(jié)的小課堂中，全篇講到的findall方法，則不需要進(jìn)行g(shù)roup的調(diào)用，可以直接將結(jié)果以list全面匹配出來，這也是findall和match、search函數(shù)最大的區(qū)別。

4

group分組

既然提到了group分組，那么就來介紹下，group的具體用法，以及在爬蟲中經(jīng)常會以一種什么樣的方式去進(jìn)行你想要的匹配！

此處以search函數(shù)來舉例，場景是醬紫的：我自己說了一句話 ,「我在這次考試中，數(shù)學(xué)分?jǐn)?shù)考了85，英語分?jǐn)?shù)考了100分，這真是太酷了!」。現(xiàn)在需要將「英語分?jǐn)?shù)考了100分」獲取到！代碼如下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'

new_words1 = re.search('points,\wThat',words)
new_words2 = re.search('points,\w*That',words)
new_words3 = re.search('points,.*That',words)
new_words4 = re.search(',(.*)That',words)

print(new_words1.group())
print(new_words2.group())
print(new_words3.group())
print(new_words4.group())

仔細(xì)看過代碼的同學(xué)，肯定會疑惑為什么寫了這么多行正則匹配的表達(dá)式，莫急莫急，且聽我慢慢道來。在不看我下面的解釋前，你認(rèn)為，下面這四個print()會依次打印出什么樣的結(jié)果呢？

解釋：其實(shí)new_words1~4是一段非常有邏輯的演變過程。

① 先來看new_word1，如果想要匹配我英語分?jǐn)?shù)考了100分這段英文字符，需要先使用普通字符串進(jìn)行邊界的限定，還記得嗎？(上節(jié)小課堂有說過哦！忘了的話回到文章首處點(diǎn)擊鏈接進(jìn)行回顧。) 所以使用"ponit, "和"That"進(jìn)行邊界限定，一旦邊界限定后，便可以使用元字符來進(jìn)行內(nèi)容的匹配，而\w代表的含義是匹配包括下劃線的任何單詞字符。于是調(diào)用如下圖：

可以看到報錯啦，錯誤說的是None類型沒有g(shù)roup方法，因?yàn)?中的正則是錯誤的，沒有正確進(jìn)行匹配，所以最終得到的值是None。理由很簡單，因?yàn)?/span>\w這樣的寫法只進(jìn)行了單字符匹配，故然是不行的。如何進(jìn)行多字符匹配呢？于是有了new_word2。

②?來看new_word2，普通字符的邊界限定寫法是不變的，在原來的基礎(chǔ)上，在\w后面新增*。*的元字符代表的含義是匹配前一個字符0次或n次以上。然后有了下圖：

為毛還是報錯？然后在反思下，發(fā)現(xiàn)。。。哦原來是想匹配的字符串中是包含空格的，而\w是不能匹配到空格字符的，所以這個正則表達(dá)式的寫法依然不對！再繼續(xù)，什么元字符可以進(jìn)行空格和字母的匹配呢？于是有了new_words3。

③?new_words3中使用的是.來進(jìn)行空格和字母的匹配，點(diǎn)的后面還是使用*來匹配。如下圖：

可以看到正確的結(jié)果了，終于沒有報錯了！但是呢，但是呢，但是呢。。。會發(fā)現(xiàn)，匹配到的結(jié)果卻不是我想要的最終結(jié)果，它把整個正則表達(dá)式的限定邊界也匹配到了...于是再次改進(jìn)，就有了最后的new_words4。

④ new_words4是在③的基礎(chǔ)上，除去了邊界字符的限定，將.*用小括號擴(kuò)了起來，此處就是在上節(jié)小課堂中提到的分組！而一旦分好組之后，我們便可以通過group將自己定義好的分組提取出來，清理下以上注釋掉的代碼：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words4 = re.search(',(.*)That',words)
print(new_words4)
print(new_words4.group())
print(new_words4.group(0))
print(new_words4.group(1))

不難發(fā)現(xiàn)，其實(shí)group()中是可以傳遞數(shù)字的，默認(rèn)情況下不寫等同于0，可以看到上圖不寫和寫0是一個輸出結(jié)果。這里需要說下，為什么0匹配出來的是整段正則表達(dá)式的字符串，而不是我想要的“My English scored 100 points.”這句話。先來看下兩段代碼：

new_words4 = re.search(',(.*)That',words)

new_words5 = re.search('(,(.*)That)',words)

實(shí)際上，new_words4是等效于new_words5的，在new_words5中默認(rèn)的正則參數(shù)位置是有一層隱形的小括號，也就是最外面的組，所以當(dāng)我們調(diào)用group(0)或者group()實(shí)則是指這層組的關(guān)系。

若想調(diào)用組中組，需要從左到右，數(shù)字是從1開始進(jìn)行調(diào)用的，和上面的代碼結(jié)果圖的最后一行是對應(yīng)上的！

5

總結(jié)

到這里，關(guān)于Python的正則表達(dá)式常用的幾點(diǎn)也就介紹完了，為什么要講述正則呢？因?yàn)檫@是處理字符串文本必不可少的一個強(qiáng)大工具！只要能得心應(yīng)手的使用它，相信不論是在處理爬蟲想要的信息也好，數(shù)據(jù)清洗時處理也罷，都可以輕松玩轉(zhuǎn)字符串！

用思維導(dǎo)圖來回顧下正表達(dá)式的所有常用知識點(diǎn)吧，所謂一圖勝過千言萬語，畢竟可以來梳理思路：

至此完！