NLP_Python3——正則表達式

之前有轉載過一篇專門講解正則表達式的博客（https://blog.csdn.net/u013032852/article/details/81506431），裏面詳細的描述了正則表達式的組成，最少入門應該是夠了，畢竟那種高大上的正則表達式不是隨便看兩篇帖子就能學會的，還是要靠自己的活學活用及日常積累（反正我日常用到比較少，畢竟我的工作內容老是換來換去的···一般都是用到的時候過來查一下╮(╯_╰)╭），建議只做NLP的童鞋好好研究學習一下正則表達式，正則用好了可以省很多事的~~這裏就簡單的講述下在python3中怎麼去使用正則表達式。

在Python中是通過re模塊來運用正則表達式的，使用步驟一般如下：

1. 根據需要組裝正則表達式
2. 將表單時的字符串賦給Pattern實例
3. 使用Pattern實例處理文本來獲取匹配內容
4. 從匹配的內容中獲取想要的信息進行後續其他操作

import re
#在正則表達式前面加r的目的是避免因爲轉義'\'導致的問題，如r'\d'等同於'\\d'
pattern = re.compile(r'[\d\w]*')    # 將正則表達式（匹配數字和字符）賦給Pattern實例
match = pattern.match('ak,i.uop3umok2345234sdfj')    #使用Pattern實例處理文本獲取匹配內容
if match:
    print(match.groups())

**************
輸出結果：ak

re.compile(pattern, flags=0):函數是Pattern類的工廠方法（不瞭解什麼是工廠方法的可以自己去搜一下設計模式，當然知道與否對學會怎麼使用這個函數是沒有影響的），用於將字符串形式的正則表達式編譯爲Pattern對象；flags參數用於指定匹配模式，多個匹配模式可以用按位或運算符“|”連接，比如re.I|re.M，flags枚舉值如下：

A = ASCII = sre_compile.SRE_FLAG_ASCII # assume ascii "locale"，使預定義字符類\w\W\b\B\s\S取決於ascii定義的字符屬性
I = IGNORECASE = sre_compile.SRE_FLAG_IGNORECASE # ignore case，忽略大小寫
L = LOCALE = sre_compile.SRE_FLAG_LOCALE # assume current 8-bit locale，使預定義字符類\w\W\b\B\s\S取決於當前環境
U = UNICODE = sre_compile.SRE_FLAG_UNICODE # assume unicode "locale"，使預定義字符類\w\W\b\B\s\S取決於unicode定義的字符屬性
M = MULTILINE = sre_compile.SRE_FLAG_MULTILINE # make anchors look for newline，多行模式，改變'^'和'$'的行爲
S = DOTALL = sre_compile.SRE_FLAG_DOTALL # make dot match newline，改變'.'的行爲
X = VERBOSE = sre_compile.SRE_FLAG_VERBOSE # ignore whitespace and comments,在此模式下正則表達式可以是多行、忽略空白字符、可以加入註釋

pattern.match(str) or re.match(pattern,str,flags):從字符串起始位置開始匹配str中是否有符合pattern的字符串，如果起始位置沒有匹配成功則返回None，其中re.match的pattern參數可以直接爲正則表達式字符串，如果直接使用正則表達式字符串注意不要忘記轉義（加r）哈；使用此方法後返回一個match實例，此實例有以下屬性與方法：

string：匹配對象，就是原文本 

re：匹配時使用的Pattern

pos：文本中正則表達式開始搜索的起始索引

endpos：文本中正則表達式結束搜索的索引

lastindex：最後一個被捕獲的group在文中的索引，若捕獲失敗則返回None

lastgroup：最後一個被捕獲的group的別名，若捕獲失敗或此group沒有別名則返回None

group([0,1,2```])：捕獲1個或多個group，參數可以爲別名也可以爲編號，其中編號0或不傳參代表所有匹配的group；指定多個參數時返回元組結果

groups([args])：以元組形式返回截獲的所有分組，相當於調用group(1,2```n)。args表示沒有捕獲group時返回args，默認爲None

groupdict([agrs]) ：返回以一個用別名爲key，group爲值的字典，沒有別名的group不在其中，args表示沒有捕獲group時返回args，默認爲None

start([group])：返回指定group在原文中的起始索引（group第一個字符的索引），group默認值爲0

end([group])：返回指定的group在原文中的結束索引（group最後一個字符的索引+1），group默認值爲0

span([group])：返回(start(group),end(group))

expand(template)：將匹配到的分組代入template中然後返回。template中可以使用\id或\g<id>、 \g<name>引用分組，但不能使用編號0。\id與\g<id>是等價的；但\10將被認爲是第10個分組，如果你想表達 \1之後是字符'0'，只能使用\g<1>0

import re

m = re.match(r'(\w*)[, ;](\w*)', 'asdf,fda3e opwerl;o9weoir')

print('m.string', m.string)
print('m.re', m.re)
print('m.pos', m.pos)
print('m.endpos', m.endpos)
print('m.lastindex', m.lastindex)
print('m.lastgroup', m.lastgroup)
print('m.group(1,2)', m.group(1, 2))
print('m.groups()', m.groups())
print('m.start(2)', m.start(2))
print('m.end(2)', m.end(2))
print('m.span(2)', m.span(2))
print("m.expand(r'\2 \1')", m.expand(r'\2 \1'))

************************************************
輸出結果：
m.string asdf,fda3e opwerl;o9weoir
m.re re.compile('(\\w*)[, ;](\\w*)')
m.pos 0
m.endpos 25
m.lastindex 2
m.lastgroup None
m.group(1,2) ('asdf', 'fda3e')
m.groups() ('asdf', 'fda3e')
m.start(2) 5
m.end(2) 10
m.span(2) (5, 10)
m.expand(r'\2 \1') fda3e asdf

pattern.search(str,pos,endpos) or re.search(pattern,string,flags): 從原文的pos下標開始到endpos下標結束嘗試匹配group，pos和endpos參數默認爲原文起始及結束位置。與match的區別在於search可以從文中進行匹配，而match只能從起始位置開始匹配

pattern.split(string,maxsplit) or re.split(pattern,string,maxsplit):將能夠匹配到的group做爲分隔符將原文分割後以列表返回，maxsplit指定最大分割次數，默認爲全部分割

import re

pattern = re.compile(r'\W+')
strs = pattern.split('aki.uop3umok2,345234s/dfj')    #使用Pattern實例處理文本獲取匹配內容
print(strs)

****************************
輸出結果：
['aki', 'uop3umok2', '345234s', 'dfj']

pattern.findall(string,pos,endpos) or re.findall(pattern,string,flags):從原文中搜索匹配，將所有能匹配的group以列表形式返回

import re

pattern = re.compile(r'\w+')
strs = pattern.findall('aki.uop3umok2,345234s/dfj')
print(strs)

*****************************
輸出結果：
['aki', 'uop3umok2', '345234s', 'dfj']

pattern.sub( repl, string, count=0) or sub(pattern, repl, string, count=0, flags=0)：使用repl替換string中匹配的group並返回替換後的字符串，其中repl可以爲字符串，也可以爲方法；當repl是一個字符串時，可以使用\id或\g<id>、 \g<name>引用分組，但不能使用編號0；當repl是一個方法是，這個方法應該只接受一個參數（match對象），並返回一個字符串用於替換；count用於指定最多替換次數，默認爲全部替換

import re

def sub_match(m):
    return m.group(1) + ":" + m.group(2)
pattern = re.compile(r'(\d+).(\d+)')
strs = pattern.sub('NUM', 'aki.uop3umok2,345234s/dfj')
print(strs)
strs = pattern.sub(r'\1:\2', 'aki.uop3umok2,345234s/dfj')
print(strs)
strs = pattern.sub(sub_match, 'aki.uop3umok2,345234s/dfj')
print(strs)

********************************
輸出結果爲：
aki.uop3umokNUMs/dfj
aki.uop3umok2:345234s/dfj
aki.uop3umok2:345234s/dfj