Python使用正则进行字符串提取和清洗

文章目录

• 一、正则表达式
• 二、Python正则表达式模块 - re
• 三、字符串清洗
• 四、字符串提取
• 五、统计子串出现次数

一、正则表达式

1、规范表示

2、数量表示

• 说明：X表示一组规范
  

3、逻辑运算符

• 说明：X、Y表示一组规范
  

二、Python正则表达式模块 - re

• re.match #从头匹配
• re.search #全局匹配第一个符合的字符串
• re.findall #匹配全部，放到列表
• re.finditer #找到匹配的所有子串，并把它们作为一个迭代器返回。这个匹配是从左到右有序地返回。如果无匹配，返回空列表。用for 循环出匹配到值。
• re.split #匹配到到值进行分割。
• re.sub # 以正则表达式为基础的替换工作。

三、字符串清洗

1、清洗字符串中的数字

2、清除网址中的垃圾字符

网址中包含垃圾字符，比如ht%$tp:%$$%##%/ / w%##%w%w.%%$$%##%16%$$3.c##om，包含的垃圾字符有空格、%、$与#，需要清洗掉，变成规范的网址：http://www.163.com。

四、字符串提取

1、提取字符串中的全部正整数

2、提取字符串中的全部实数

text = 'amy68.5mike-90.5brian67.8green56.2smith60brown-90' re.findall(r'(\+*\-*\d+\.*\d*)', text) ['68.5', '-90.5', '67.8', '56.2', '60', '-90'] 

3、统计文件中全部数字之和

• 创建文本文件 - 译诗录.txt
  

• 编写程序 - 统计字符串中数字之和.py
  

• 运行程序，查看结果
  

4、获取字符串中的邮箱、手机号码、网址和IP地址

• 创建程序 - 获取字符串中特殊数据.py
  

# -*- coding: utf-8 -*- """
Created on Tue Oct 13 15:19:56 2020

@author: howard
""" import re def find_all_emails(text): """
    :param text: 文本
    :return: 返回电子邮件列表
    """ emails = re.findall(r'[a-z0-9\.\-+_]+@[a-z0-9\.\-+_]+\.[a-z]+', text) return emails def find_all_mobiles(text): """
    :param text: 文本
    :return: 返回手机号列表
    """ mobiles = re.findall(r'1[3456789]\d{9}', text) return mobiles def find_all_urls(text): """
    :param text: 文本
    :return: 返回 url 列表
    """ urls = re.findall(r'[a-zA-Z]+://[^\s]*', text) return urls def find_all_ips(text): """
    :param text: 文本
    :return: 返回 ip 列表
    """ ips = re.findall(r'\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b', text) return ips if __name__ == '__main__': content = "Please 47.92.2.58:443 contact 127.0.0.1 15988455173 us 18720071239 \
            https://blog.csdn.net/u013421629/ at https://www.yiibai.com/ [e-mail] \ for further information [e-mail] You can also give feedback at [e-mail]"
            
    emails = find_all_emails(content) print('邮箱：{}'.format(emails)) moblies = find_all_mobiles(content) print('手机：{}'.format(moblies)) urls = find_all_urls(content) print('网址：{}'.format(urls)) ips = find_all_ips(content) print("IP地址：{}".format(ips)) 

• 运行程序，查看结果
  

五、统计子串出现次数

1、利用findall()函数

2、利用subn()函数

本文地址：https://blog.csdn.net/howard2005/article/details/109047858