【使用Python处理文本2】

正则表达式

正则表达式是一个强大的文本处理工具，在Linux系统中使用广泛，Linux系统中大部分文本处理工具都支持正则表达式，如grep、sed和awk

基本语法

• ?[a-zA-Z]+ : 匹配给定文本中的所有单词
  ?用于匹配单词前后可能出现的空格；[a-zA-Z]+代表一个或多个英文字母
• [0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3} : 匹配一个IP地址
  [0-9]表示数字；{1,3}表示1到3位数的数字组合；.在正则表达式中有特殊含义，所以需要用反斜杠进行转义

利用re库处理正则表达式

在Python中，标准库的re模块用来处理正则表达式，它能够顺利处理Unicode和普通字符串。这个模块包含了与正则表达式相关的函数、标志和一个异常。

最常用的是re模块下的findall函数，用来输出所有符合模式匹配的子串

import re

data="What is the difference between python 2.7.13 and python 3.6.0?"
re.findall('python [0-9]\.[0-9]\.[0-9]',data)

如果定义了错误的正则表达式，re模块会抛出一个异常

python中有两种使用正则表达式的方法

• 直接使用re模块中的函数
  前面的例子就是直接使用re模块的函数
• 创建一个特定模式编译的正则表达式对象
  如下代码所示：

import re

data="What is the difference between python 2.7.13 and python 3.6.0?"
re_obj=re.compile('python [0-9]\.[0-9]\.[0-9]',flags=re.IGNORECASE)
re_obj.findall(data)

编译版本的代码相对而言具有更好的程序执行性能

常用的re方法

匹配类方法

• findall() : 查找子串，成功返回匹配子串的列表（没有找到返回空列表）
• match() : 类似字符串的startswith()方法，但是可以用正则表达式做模糊匹配，更加强大。匹配成功返回一个SRE_Match对象
• search() : 与match()方法极为类似，只是search()可以在字符串的任意位置进行匹配
• finditer() : 返回一个迭代器

修改类方法

• sub() : 类似字符串的replace()方法，但是支持正则表达式
• split() : 将字符串拆分成子串，支持正则表达式

大小写不敏感

re.findall('python [0-9]\.[0-9]\.[0-9]',data,flags=re.IGNORECASE)

非贪婪匹配

比如要匹配以'Beautiful'开头并且以点号结尾的字符串，默认情况下正则表达式使用贪婪匹配，就是如果有多个字符串都符合这一规则，尽可能匹配长的字符串，如果要使用非贪婪匹配，需要在匹配字符串时加上一个"?"

text="Beautiful is better than ugly. Explicit is better than implicit."
re.findall('Beautiful.*\.',text) #贪婪匹配
re.findall('Beautiful.*?\.',text) #非贪婪匹配