CDA数据分析师在数据分析工作中产生很多与文本处理相关的任务，比如从文本中提取客户信息，从文本中提取时间等都是比较常见的操作。虽然Python有很多处理字符串的方法，流行的pandas库也提供了大量向量化字符串的方法，但是当涉及到需要比较复杂的数据匹配的字符操作时，这些方法就很无力了。特别是由于文本数据来自爬虫等渠道，数据往往严重不规则，此时对文本的处理难度就特别大。好在Python提供了re模块，可以实现正则表达式的操作。re模块主要通过六个方法处理字符串，包括：match()、search()、findall()、split()、sub()。这些方法涉及字符串匹配和替换等操作。在接下来的四篇连载文章中，我们不仅会讲解这四种方法，还包括元字符、行定位符、限定符、字符类和排除项。字符、选择字符、转义字符、分组等正则表达式最常用的知识点贯穿始终。下面的系列文章将为大家初步搭建一个比较完整的Python正则表达式知识体系。如果你已经学完了Python编程基础和数据清洗的课程知识，本系列文章将让你使用Python正则表达式来实现一学就会，一用就懂，从而达到目的真正的掌握。re.match方法让我们首先看一下re模块中更简单的match()方法。match的作用是使用Pattern实例从字符串的左边开始匹配。如果匹配，则返回一个Match实例。如果第一个字符不满足条件，则返回None。其语法格式如下：re.match(pattern,string,[flags])·pattern：表示模式字符串，由待匹配的正则表达式转换而来。·string：表示要匹配的字符串。·flags：可选参数，表示标志位，后面会讲到这个参数。模式字符串是什么意思？先看下面的例子：pattern='公司名称'message='公司名称：CDA数据科学研究所'match=re.match(pattern,message)matchOut:这个时候我们发现re.match()方法返回了一个re.match对象，但是这个对象中的信息是什么意思呢？在上面的示例中，我们的模式字符串没有使用任何其他特殊字符，只是“公司名称”。字符串消息的前几串恰好是“公司名称”，所以返回的re.match对象可以解释如下信息：“公司名称”的字符串可以索引区间span(0,4)中的匹配，匹配结果为match='公司名称'此外，re.match对象还可以通过调用.start()方法和.end()方法获取匹配值的起止位置：match.start()match.end()也可以使用.span()方法获取记录匹配字符位置索引的元组：match.span()Out:(0,4)可以将消息中的匹配字符串传过去。group()方法获取：match.group()Out:'CompanyName'匹配的字符串可以通过re.match对象的string属性调用：match.stringOut:'CompanyName:CDADataScienceResearchInstitute're.search方法如果说要匹配的字符串没有出现在消息的开头，而是出现在中间，match()方法无法匹配它。这时候就可以使用re.search()方法了。比如我们要匹配消息中的“CDA数据科学研究所”，我们将pattern指向的对象改为“企业名称”，调用re.search()方法：pattern='CDA数据科学研究院'message='公司名称：CDA数据科学研究所'search=re.search(pattern,message)searchOut:值得注意的是，re.search()方法返回的结果也是一个re.match对象，所以这个类型的方法和属性也可以调用上面提到的对象。search.start()search.end()search.span()search.group()search.stringOut:515(5,15)'CDA数据科学研究所''公司名称：CDA数据科学研究所'MetaCharacterOK,我们继续思考，如果我们要匹配消息中“CDA”之后的一个字符，那么pattern应该怎么写呢？pattern='CDA.'message='企业名称：CDA数据科学研究所n邮箱：1918560461@qq.com'search=re.search(pattern,message)searchOut:通过上面的例子，我们会发现消息中字符串“CDA”后面的“number”也被匹配到了。这个只需要在设置模式的时候在字符串“CDA”后面加一个点，这个点的作用就是帮你匹配除换行符之外的任意字符。另外，我们也可以把圆点换成“w”，最后的效果是一样的：search(pattern,message)searchOut:<重新匹配对象；span=(5,9),match='CDAnumber'>"w"是帮你匹配字符，数字，下划线或者汉字。这些符号称为元字符。除了点号和“w”之外，还有以下元字符：这里需要注意的是，由于大多数元字符都包含特殊字符和反斜杠，为了匹配原生字符串，可以在元字符前加上r或R，如:pattern=r'bCDA.{5}'#元字符前加rmessage='公司名称：CDA数据科学研究所，CDA数据分析师，邮箱：1918560461@qq.com'search=re.search(pattern,message)print(search)Out:在上面的例子中，我们还需要注意的是，由于模式字符串中的元字符“b”，“b”匹配一个分隔符（空格、标点符号或换行符）。因此，由于messgae中左起第一个“CDA”字符串前没有定界符，最终匹配的是第二个“CDA”字符串。那么上面模式字符串中出现的花括号“{}”是什么意思呢？这是我们接下来要解释的限定符。元字符是在限定符之前学习的，我们可以通过re.match()方法和re.search()方法进行非常灵活的字符匹配。但是还有很多地方不能只用元字符来解决。比如我们要匹配字符串'CompanyName:CDADataScienceResearchInstitutenEmail:1918560461@qq.com'中的邮箱，怎么办？这时候我们可以给pattern字符串加上限定符：pattern='Email:.{17}'message='Email:1918560461@qq.com'search=re.search(pattern,message)print(search)Out:<重新匹配对象；span=(15,35),match='Email:1918560461@qq.com'>上面patrern参数设置的原理是：既然是为了match输出消息中的邮箱信息，邮箱信息在后面消息中的字符串“邮箱：”。如果邮箱信息的长度为1，则pattern可以写成“mailbox:.”。但是，邮箱信息的长度是17个字符。也就是说，要匹配邮件中“email:”后的17个字符，在上述模式后加上限定符“{17}”即可匹配17个字符（不包括换行符）。但是如果邮箱消息长度不是17呢？由于邮件信息是从邮件中字符串“mailbox:”的末尾开始的，我们可以这样写：pattern='mailbox:.*'message='Email:1918560461@qq.com'search=re.search(pattern,message)print(search)Out:除了上面提到的“{n}”和“*”之外，还有哪些常用的限定符呢？这里需要提醒大家的是，由于元字符“.”匹配除换行符以外的任意字符，即使我们的邮件中邮箱信息后面有换行符，上面的方法依然可以匹配到邮箱信息。例如：pattern='Email:.*'message='企业名称：CDA数据科学研究所nEmail：1918560461@qq.comn地址：北京市海淀区长洼街3号院2号楼2-3层网址：www.cda.cn'search=re.search(pattern,message)print(search)Out:但是，如果上面消息中的“address”这个词前面没有换行符“n”呢？如何匹配邮箱信息？我们只需要在模式中的星号后面加上邮箱地址的最后一个字符“com”作为匹配结束：pattern='email:.*com'message='公司名称：CDA数据科学研究所nEmail：1918560461@qq.com地址：北京市海淀区长洼街3号院2号楼2-3层网址：www.cda.cn'search=re.search(pattern,message)print(search)Out:更多行业干货会持续为大家分享，大家可以随时关注！（1）获取更多优质内容，可以前往：当前疫情有所缓和，也是提升自己的好时机。未来储能-蓄势待发！（2）搜索CDA小程序，手机端随时随地浏览最新资讯和优质课程：
