Python 学习笔记：Regular Expression

Regular Expression (正则表达式) 是一种功能十分强大，但是又十分难以解读的古老的编程语言。通常的编程语言是以行作为最基础的解释单位，而 regular expression 则是以字符为基础解释单位。

Regular Expression Module

---

正则表达式在文本处理和文本挖掘中有很大的优势，即使是在不同编程的语言也会常常使用它。

在 Python 中，我们可以借用 re 这个包来运用正则表达式。

import re

常用的方法有 match(), search()， findall()， split() 等等。其中：

• search(): 找到第一个符合的 substring 并返回，与字符串方法 string.find() 类似。

• findall(): 找到所有符合的 substrings 并返回 list，常常用于提取文本。

import re
test = "Quarantine Summary Report - Mar. 14, 23:00 for test@abc.com"
result = re.search("\S+@\S+", test)
if result:
    print("This line has an email address.")
emails = re.findall("\S+@\S+", test)
if emails:
    print(emails)

Greedy matching

---

对于提取文字，我们可以运用上面提到的两个方法以及正则表达式灵活进行。但是要注意 greedy matching。举个例子:

text = "123 123 123 123"
time = re.search("1.*3", text)
print(time) 
# <re.Match object; span=(0, 15), match='123 123 123 123'>

在例子中符合的 substring 的组合有4种，但是由于 greedy matching 的原则，会默认取尽可能长匹配结果。如果我们只需要提取短的那一个结果，我们可以在表示 wildcard character 后加 ?，例如 *?， +?, ?? 等等。

text = "123 123 123 123"
time = re.search("1.*?3", text)
print(time) 
# <re.Match object; span=(0, 3), match='123'>

简单来说，greedy matching 就是指在部分字符已符合匹配后还会继续匹配，直到不成功就停止了。而与之相反的 lazy matching 就是指出现成功匹配的部分字符后就停止匹配。

Regular Expression Quick Guide

---

简单的列举一些常用的通配符。

Syntax	Description
^	The beginning of the line
$	The end of the line
.	Any character
\s	White space
\S	Any non-whitespace
*	Repeat character zero or more times
+	Repeat character one or more times
[]	A single character in the list
[^ ]	A single character not in the list
[0-9]	Any digit
()	The position where string extraction is to begin or end