08-数据提取-正则表达式

• re模块的常见方法
• 原始字符串r
• 匹配中文

re模块的常见方法

• re.match()从头找一个
• re.search()找一个
• re.findal()找所有
  返回一个列表，没有就是空表

ret = re.findall("\d","chuan1zhi2")
>>['1', '2']

• re.sub()替换

re.sub("\d","_","wu1xuan2")
>>wu_xuan_

• re.compile()编译
  返回一个模型P，具有和re一样的方法，但是传递的参数不同
  匹配模式需要传到compile中

p = re.compile("\d",re.S)
p.findall("chuan1zhi2")

python中原始字符串r的用法

原始字符串(raw string)：保持原先字符串中所有的字符
如：“\n”的原始字符串就是“\\n”

len("\n")
>>1
len(r"\n")
>>2

• 正则中使用原始字符串r忽略转义符号带来的影响

匹配中文

中文 unicode 编码范围：[u4e00-u9fa5]（不包含中文标点）
注意：汉字和正则表达式都需要是unicode字符操作
【练习】提取中文

# coding:utf-8
import re

title="<p>Look out your window and I`ll be gone</p> <p>看向你的窗外我早已离开</p> <p>You`re the reason I`m traveling on</p> <p>因为你我才四处漂泊</p> "

p = re.findall(r"[\u4E00-\u9FA5]+",title)
print(p)
>>['看向你的窗外我早已离开', '因为你我才四处漂泊']