处理文本数据的主要任务之一是创建许多基于文本的特征。人们可能想要在文本中查找特定格式，例如在文本中查找电子邮件或在大文本中查找电话号码。虽然执行上述操作听起来很乏味，但使用Python正则表达式模块可以使它变得容易得多。假设您想找出特定段落中标点符号的数量。以狄更斯作品的文本为例。你通常是怎么做的？最简单的方法如下：，我们之前什么都没有，我们都直接去天堂，我们都直接去另一个方向——简而言之，这个时期和现在的时期很相似，一些最吵闹的当局坚持要接收它，不管是好是坏，只在最高级的比较中。”num_points=0num_puncts=0forpunctintarget:ifpunctinstring:num_puncts+=puncts-print---string.count(puncts)---string-count(punct)---------------------------------------------------19如果没有re模块供您使用，则使用上面的代码。但是如果有re模块，只需要两行代码：importrepattern=r"[;.,–]"print(len(re.findall(pattern,string)))--------------------------------------------------------------19本文讨论最常用的正则表达式模式，以及一些常用的正则表达式函数。什么是正则表达式？简而言之，正则表达式(regex)用于探索给定字符串中的固定模式。我们想要找到的模式可以是任何东西。可以创建类似于查找电子邮件或手机号码的模式。您还可以创建模式来查找以a开头并以z结尾的字符串。在上面的例子中：importrepattern=r'[,;.,–]'print(len(re.findall(pattern,string)))我们要找的模式是r'[,;.,–]'。此模式可找到您想要的4个字符中的任何一个。regex101是一个测试模式的工具。将模式应用于目标字符串时，会出现以下界面。如图，在目标字符串中可以根据需要找到,;.,–。每当您需要测试正则表达式时，您都会使用上述工具。这比一遍又一遍地运行python更快更容易调试。现在我们可以在目标字符串中找到这些模式，我们如何实际创建这些模式呢？使用正则表达式创建模式时，首先需要学习的是如何创建模式。接下来，将对一些最常用的模式进行一一介绍。可以想象的最简单的模式是一个简单的字符串。pattern=r'times'string="这是最好的时代，也是最坏的时代。"print(len(re.findall(pattern,string)))但这不是很有用。为了帮助创建复杂的模式，正则表达式提供了特殊的字符/运算符。让我们一一看看这些运算符。请等待gif加载。1.第一个例子中使用的[]运算符可用于在这些方括号中查找满足条件的字符。[abc]-将查找文本中所有出现的a、b或c[a-z]-将查找文本中出现的从a到z的所有字母[a-z0–9A-Z]-将查找所有出现的文本从A到Z的大写字母，从a到z的小写字母，以及从0到9的数字。下面的代码可以很容易地在Python中运行：pattern=r'[a-zA-Z]'string="Itwasthebestoftimes,这是最糟糕的时代。”print(len(re.findall(pattern,string)))除了.findall，正则表达式还有很多其他的功能，后面会讲到。2.点运算符点运算符(.)用于匹配换行符以外的任何字符。运算符的伟大之处在于它们可以结合使用。例如，您想要在包含6个字母的字符串中查找以小写d或大写D开头并以字母e结尾的子字符串。3.一些元序列在使用正则表达式时，往往会用到一些模式。所以正则表达式为这些模式创建了一些快捷方式。最常用的快捷键如下：\w，匹配任意字母、数字或下划线。等同于[a-zA-Z0–9_]\W，匹配除字母、数字或下划线以外的任何内容。\d，匹配任何十进制数字。相当于[0–9]。\D，匹配除十进制数字之外的任何数字。4.加号和星号运算符点号运算符仅用于获取任何字符的单个实例。如果你想找到更多的实例怎么办？加号+用于指示最左边字符的一个或多个实例。星号*用于指示最左边字符的0个或多个实例。例如，要查找所有以d开头，以e结尾的子串，d和e之间可以没有字符，也可以有多个字符。我们可以使用：d\w*e如果我们想找到所有以d开头，以e结尾，并且d和e之间至少有一个字符的子串，我们可以使用：d\w+e也可以使用更多对于一般用途：使用{}\w{n}-精确重复\wn次。\w{n,}-重复\w至少n次或更多次。\w{n1,n2}-重复\w至少n1次，但不超过n2次。5.^插入符号和$美元符号。^插入符匹配字符串的开头，$美元符号匹配字符串的结尾。6.单词边界这是一个重要的概念。您是否注意到在上面的示例中，总是匹配子字符串，而不是单词？如果你想找到所有以d开头的单词怎么办？你能使用d\w*模式吗？让我们用一个网络工具试试看吧。正则表达式函数到目前为止，只用到了re包中的findall函数。其实还有很多其他的功能。让我们一一介绍。1.findall上面已经使用了findall。这是我最常使用的。下面让我们正式认识一下这个函数。输入：模式和测试字符串输出：字符串列表。#USAGE:pattern=r'[iI]t'string="这是最好的时代，也是最坏的时代。"比赛=重新。匹配中的findall(pattern,string)格式：print(match)--------------------------------------------------------Itit2。搜索输入：模式和测试字符串输出：第一个匹配项的位置对象。#USAGE:pattern=r'[iI]t'string="Itwasthebestoftimes,itwastheworstoftimes."location=re.search(pattern,string)print(location)----------------------------------------------------------<_sre.SRE_Matchobject;span=(0,2),match='It'>可以使用下面的编程方式获取location对象的数据：print(location.group())------------------------------------------------------------'它'3.替换这个函数也很重要。在使用自然语言处理程序时，有时您需要用X替换整数，或者您可能需要编辑一些文件。在任何文本编辑器中查找和替换都可以解决问题。输入：搜索模式、替换模式和目标字符串输出：替换字符串string="Itwasthebestoftimes,itwastheworstoftimes."string=re.sub(r'times',r'life',string)print(string)---------------------------------------------------------这是最好的生活，也是最坏的生活。案例研究正则表达式用于许多需要验证的情况。我们可能会在网站上看到类似这样的内容：“这不是一个有效的电子邮件地址”。虽然可以使用多个if和else条件来编写这样的提示，但正则表达式可能更有利。1.PAN号在美国，SSN（SocialSecurityNumber）是用于税务识别的号码，而在印度，PAN号用于税务识别。PAN的基本验证标准是：上面的所有字母必须大写，字符顺序如下：那么问题是：“ABcDE1234L”是一个有效的PAN号吗？如果没有正则表达式，这怎么能回答呢？大概写一个for循环，和一个遍历查找。但是使用正则表达式，它就像这样简单：match=re.search(r'[A-Z]{5}[0–9]{4}[A-Z]','ABcDE1234L')ifmatch:print(True)else:print（错误的）------------------------------------------错误2。查找域名有时我们必须从一个巨大的文本文档中查找电话号码、电子邮件地址或域名等。例如，假设有以下文本：
