13.1 Python 正则表达式基础

欢迎来到我的博客，很高兴能够在这里和您见面！欢迎订阅相关专栏：
工💗重💗hao💗：野老杂谈
⭐️ 全网最全IT互联网公司面试宝典：收集整理全网各大IT互联网公司技术、项目、HR面试真题.
⭐️ AIGC时代的创新与未来：详细讲解AIGC的概念、核心技术、应用领域等内容。
⭐️ 全流程数据技术实战指南：全面讲解从数据采集到数据可视化的整个过程，掌握构建现代化数据平台和数据仓库的核心技术和方法。
⭐️ 构建全面的数据指标体系：通过深入的理论解析、详细的实操步骤和丰富的案例分析，为读者提供系统化的指导，帮助他们构建和应用数据指标体系，提升数据驱动的决策水平。
⭐️《遇见Python：初识、了解与热恋》：涵盖了Python学习的基础知识、进阶技巧和实际应用案例，帮助读者从零开始逐步掌握Python的各个方面，并最终能够进行项目开发和解决实际问题。

摘要

正则表达式（Regular Expressions）是编程世界中的“魔法咒语”，能够帮助我们轻松应对各种字符串匹配与处理任务。从简单的字母匹配到复杂的文本解析，正则表达式在数据清洗、日志分析、文本处理等方面发挥了重要作用。本篇文章将以幽默生动的语言，从基础概念到实战应用，带你走进正则表达式的奇妙世界。

一、什么是正则表达式？

在编程的旅程中，你是否曾有过这样的烦恼：如何在一堆乱七八糟的文本中找出某个特定的单词，或是替换掉所有的电话号码？别急，正则表达式就是为解决这种问题而生的。

简单来说，正则表达式就是一套用来匹配字符串的规则。就像我们生活中的“找茬游戏”一样，只不过正则表达式的“找茬”能力强得令人发指。

二、正则表达式的语法初探

1. 字符匹配

想象一下，你在大海捞针，而正则表达式的字符匹配就是你的万能钩子。比如，你想找到所有的字母“A”，你只需要使用 A 这个字符即可。

python">import retext = "Apple is amazing!"
match = re.findall(r'A', text)
print(match)  # 输出: ['A']

看到了吧，这样就能轻松找到文本中的字母“A”了。

2. 通配符 `.`

如果你觉得字符匹配还不够强大，那就让我们来认识一下通配符 .。它可是个“万能钥匙”，能匹配任何单个字符。

python">import retext = "Cat, Bat, Mat"
match = re.findall(r'.at', text)
print(match)  # 输出: ['Cat', 'Bat', 'Mat']

在这个例子中，.at 匹配了所有以“at”结尾的单词，不管前面是“C”还是“B”还是“M”。

3. 字符集 `[]`

字符集让你能够在一个集合中指定要匹配的字符。比如 [aeiou] 就能匹配所有的元音字母。

python">import retext = "Python is powerful!"
match = re.findall(r'[aeiou]', text)
print(match)  # 输出: ['o', 'i', 'o', 'e', 'u']

4. 重复匹配 `*`、`+`、`?`

正则表达式还有一些特殊的符号用来处理重复的字符匹配。我们来认识一下 *、+ 和 ?。

* 表示前面的字符可以重复0次或多次。
+ 表示前面的字符至少出现1次。
? 表示前面的字符出现0次或1次。

python">import retext = "100 apples, 200 oranges, 300 bananas"
match = re.findall(r'\d+', text)
print(match)  # 输出: ['100', '200', '300']

在这个例子中，\d+ 匹配了所有连续的数字。

三、实战：一个常见的案例

1. 查找电子邮件地址

假设你有一堆文本，需要从中提取出所有的电子邮件地址。使用正则表达式，这简直是小菜一碟。

python">import retext = "Contact us at info@example.com or support@domain.org"
emails = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', text)
print(emails)  # 输出: ['info@example.com', 'support@domain.org']

解释一下，这个看似复杂的正则表达式，其实只是由多个字符集和符号组合而成，用于匹配一个标准的电子邮件地址。

2. 替换电话号码

有时候，我们需要将文本中的电话号码替换为星号，保护隐私。这也可以通过正则表达式轻松完成。

python">import retext = "Call me at 123-456-7890 or 987-654-3210"
masked = re.sub(r'\d{3}-\d{3}-\d{4}', '***-***-****', text)
print(masked)  # 输出: Call me at ***-***-**** or ***-***-****

3. 数据清洗

正则表达式在数据清洗方面也是利器。比如你需要从文本中删除所有的 HTML 标签，可以使用如下的正则表达式：

python">import rehtml = "<html><head><title>Title</title></head><body><h1>Heading</h1></body></html>"
clean_text = re.sub(r'<.*?>', '', html)
print(clean_text)  # 输出: TitleHeading

四、正则表达式的坑与解决方案

正则表达式虽然强大，但也有不少坑。如果你在编写正则表达式时犯了错误，可能会导致你的匹配结果偏离预期。这里有几个常见的坑与解决方案：

1. 贪婪匹配 vs 非贪婪匹配

默认情况下，正则表达式是贪婪的，即它会尽可能多地匹配字符。如果你只想匹配最少的字符，可以使用非贪婪匹配，方法是在量词后面加上 ?。

python">import retext = "<div>Content</div><div>More content</div>"
matches = re.findall(r'<div>.*?</div>', text)
print(matches)  # 输出: ['<div>Content</div>', '<div>More content</div>']

2. 多行文本匹配

当你要处理多行文本时，需要特别注意正则表达式的处理方式。例如，使用 re.M 模式来匹配多行的开始或结束符。

python">import retext = "First line\nSecond line\nThird line"
matches = re.findall(r'^\w+', text, re.M)
print(matches)  # 输出: ['First', 'Second', 'Third']