python正则提取

1. 什么是正则表达式

正则表达式（Regular Expression），是一种用来描述、匹配和处理字符串的工具。它有自己特定的语法规则，通过这些规则可以快速地匹配、查找和提取字符串中的信息。

正则表达式以一种很灵活的方式进行匹配，可以满足各种复杂的需求，比如邮箱格式验证、手机号码提取、网页爬虫等。在很多编程语言中都有正则表达式的支持，Python也不例外。

2. 正则表达式的基本语法

2.1 普通字符的匹配

在正则表达式中，普通字符的匹配是最简单的。普通字符就是匹配字符串中的任意字符，比如我们想要匹配字符串 “hello”，可以使用正则表达式 hello。

import re

# 使用re模块的search方法进行匹配
result = re.search("hello", "world, hello")
print(result.group())  # 输出结果为："hello"

2.2 元字符的使用

元字符是正则表达式中具有特殊含义的字符。下面介绍几个常用的元字符：

.：匹配任意一个字符（除了换行符）。
*：匹配前面的字符出现0次或多次。
+：匹配前面的字符出现1次或多次。
?：匹配前面的字符出现0次或1次。
^：匹配字符串的开头。
$：匹配字符串的结尾。

以匹配手机号码为例，手机号码的格式一般为11位数字，以1开头。那么可以使用正则表达式 ^1\d{10}$ 进行匹配。

import re

# 使用re模块的match方法进行匹配
result = re.match("^1\d{10}$", "13812345678")
print(result.group())  # 输出结果为："13812345678"

2.3 字符集的使用

字符集用方括号 [ ] 表示，用于匹配方括号中的任意一个字符。比如要匹配一个字符串是以元音字母开头的，可以使用正则表达式 [aeiou]。

import re

result = re.match("[aeiou]", "apple")
print(result.group())  # 输出结果为："a"

除了单个字符，字符集还可以用连字符 – 表示范围。比如 [a-z] 表示匹配所有的小写字母。

2.4 转义字符的使用

正则表达式中有一些特殊字符，如果想要匹配这些特殊字符本身，而不是其特殊含义，可以使用反斜杠 \ 进行转义。比如要匹配一个字符串中的 . 字符，需要使用 \. 进行匹配。

import re

result = re.match("www\.google\.com", "www.google.com")
print(result.group())  # 输出结果为："www.google.com"

3. 正则表达式的常用方法

3.1 match方法

re.match(pattern, string, flags=0) 方法尝试从字符串的起始位置匹配一个模式，如果匹配成功则返回一个匹配的对象，否则返回 None。

import re

result = re.match("hello", "hello world")
print(result.group())  # 输出结果为："hello"

3.2 search方法

re.search(pattern, string, flags=0) 方法在字符串中搜索匹配的模式，如果找到第一个匹配的结果则返回一个匹配的对象，否则返回 None。

import re

result = re.search("hello", "world, hello")
print(result.group())  # 输出结果为："hello"

3.3 findall方法

re.findall(pattern, string, flags=0) 方法返回字符串中所有与模式匹配的字符串，以列表的形式返回。

import re

result = re.findall("\d+", "123, 456, 789")
print(result)  # 输出结果为：['123', '456', '789']

3.4 sub方法

re.sub(pattern, repl, string, count=0, flags=0) 方法将匹配的模式替换为指定的字符串，并返回替换后的结果。

import re

result = re.sub("\d+", "num", "123, 456, 789")
print(result)  # 输出结果为："num, num, num"

4. 实战演练

下面通过一些实例来进一步学习正则表达式的使用。

4.1 提取邮箱地址

假设我们有一个字符串，其中包含了多个邮箱地址。我们想要将这些邮箱地址提取出来。

import re

email_str = "My email addresses are email1@gmail.com and email2@yahoo.com."
result = re.findall("\w+@\w+\.\w+", email_str)
print(result)  # 输出结果为：['email1@gmail.com', 'email2@yahoo.com']

4.2 提取手机号码

假设我们有一个文本文件，其中包含了一些手机号码。我们想要将这些手机号码提取出来。

import re

phone_file = open("phone.txt", "r")
phone_numbers = phone_file.read()
result = re.findall("^1\d{10}$", phone_numbers)
print(result)  # 输出结果为：手机号码列表
phone_file.close()

4.3 替换敏感信息

假设我们有一个字符串，其中包含了一些敏感信息（比如身份证号码）。我们想要将这些敏感信息替换为 * 号。

import re

id_card_str = "My ID numbers are 123456789012345678 and 123456789012345679."
result = re.sub("\d{18}", "*"*18, id_card_str)
print(result)  # 输出结果为："My ID numbers are **************** and ****************."