正则表达式（Regular Exprerssion）in Python

之前帮一位朋友面大模型微调实习岗位的时候，人家面试官考到了正则表达式，感觉这块知识还是挺重要的，所以浅浅的学习一下，每个小部分的代码在后面

0.先从一个案例入手（提取文本中的电子邮件地址）

代码实现：

1.为什么正则表达式？

参考学习一个国外博主的链接：

0.先从一个案例入手（提取文本中的电子邮件地址）

代码实现：

python 复制代码

import re

# 示例文本
text = """
Contact us at support@example.com for any inquiries.
You can also reach out to sales@company.com for business opportunities.
"""

# 正则表达式模式
pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'

# 使用正则表达式查找所有匹配项
matches = re.findall(pattern, text)

# 打印匹配的电子邮件地址
for match in matches:
    print(match)

在这个例子中，正则表达式的模式解释如下：

\b 和 \b：表示单词的边界，确保我们匹配整个电子邮件地址而不是它的一部分。
[A-Za-z0-9._%+-]+：匹配电子邮件地址的用户名部分，包括字母、数字以及一些特殊字符。
@：匹配电子邮件地址中的 "@" 符号。
[A-Za-z0-9.-]+：匹配邮件服务器的域名部分，包括字母、数字以及一些特殊字符。
\.：匹配邮件服务器域名和顶级域之间的点号。
[A-Z|a-z]{2,}：匹配顶级域，至少包括两个字母。

1.为什么正则表达式？

处理文本任务的时候，要能过滤出同种格式的信息，让同一块代码做相同的事情，use regular expressions to find and retrieve patterns in text 其实就是模式的概念，匹配或者查找字符串中的模式。

2.基本语法

普通字符：

普通字符表示它们自身，例如字母、数字和大多数标点符号。

元字符：

.：匹配除换行符之外的任意字符。
^：匹配字符串的开始。
$：匹配字符串的结束。
*：匹配前面的字符零次或多次。
+：匹配前面的字符一次或多次。
?：匹配前面的字符零次或一次。
\：转义字符，用于匹配元字符本身。

字符类：

[...]：字符类，匹配方括号中的任意字符。
[^...]：否定字符类，匹配不在方括号中的任意字符。

预定义字符类：

\d：匹配任意数字，相当于 [0-9]。
\D：匹配任意非数字。
\w：匹配任意字母、数字、下划线，相当于 [a-zA-Z0-9_]。
\W：匹配任意非字母、数字、下划线。
\s：匹配任意空白字符，包括空格、制表符、换行符。
\S：匹配任意非空白字符。

重复限定符：

{n}：匹配前面的字符恰好 n 次。
{n,}：匹配前面的字符至少 n 次。
{n,m}：匹配前面的字符至少 n 次，但不超过 m 次。

分组和捕获：

()：将其中的表达式分组，并创建捕获组。

特殊字符：

\b：匹配单词的边界。
\B：匹配非单词边界。

代码实现：

1.普通字符：

普通字符表示它们自身，不需要特殊符号。

python 复制代码

import re

text = "This is a simple example."

# 匹配 "simple"
pattern = re.compile(r'simple')
result = pattern.search(text)
print(result.group())

输出：simple

2.元字符：

.：匹配除换行符之外的任意字符。

python 复制代码

import re

text = "abc123"

# 匹配任意字符后跟数字
pattern = re.compile(r'.\d')
result = pattern.search(text)
print(result.group())

·^：匹配字符串的开始。

python 复制代码

import re

text = "start with this"

# 匹配以 "start" 开始的字符串
pattern = re.compile(r'^start')
result = pattern.search(text)
print(result.group())

·$：匹配字符串的结束。

python 复制代码

import re

text = "end with this"

# 匹配以 "this" 结束的字符串
pattern = re.compile(r'this$')
result = pattern.search(text)
print(result.group())

*：匹配前面的字符零次或多次

python 复制代码

import re

text = "ab"

# 匹配 "a" 后跟零次或多次的 "b"
pattern = re.compile(r'ab*')
result = pattern.match(text)
print(result.group())

+：匹配前面的字符一次或多次。

python 复制代码

import re

text = "ab"

# 匹配 "a" 后跟一次或多次的 "b"
pattern = re.compile(r'ab+')
result = pattern.match(text)
print(result.group())

?：匹配前面的字符零次或一次。

python 复制代码

import re

text1 = "ab"
text2 = "abb"

# 匹配 "a" 后跟零次或一次的 "b"
pattern = re.compile(r'ab?')
result1 = pattern.match(text1)
result2 = pattern.match(text2)
print(result1.group(), result2.group())

\：转义字符，用于匹配元字符本身。

python 复制代码

import re

text = "The cost is $10."

# 匹配 "$" 符号
pattern = re.compile(r'\$')
result = pattern.search(text)
print(result.group())

字符类：

[...]：字符类，匹配方括号中的任意字符。
[^...]：否定字符类，匹配不在方括号中的任意字符。

python 复制代码

import re

text = "The cat and the hat."

# 匹配 "cat" 或 "hat"
pattern = re.compile(r'[ch]at')
result = pattern.search(text)
print(result.group())

# 匹配不含 "c" 或 "h" 的字符
pattern = re.compile(r'[^ch]')
result = pattern.findall(text)
print(result)

预定义字符类：

\d：匹配任意数字，相当于 [0-9]。
\D：匹配任意非数字。
\w：匹配任意字母、数字、下划线，相当于 [a-zA-Z0-9_]。
\W：匹配任意非字母、数字、下划线。
\s：匹配任意空白字符，包括空格、制表符、换行符。
\S：匹配任意非空白字符。

python 复制代码

import re

text = "The price is $20."

# 匹配数字
pattern = re.compile(r'\d+')
result = pattern.search(text)
print(result.group())

# 匹配非数字
pattern = re.compile(r'\D+')
result = pattern.search(text)
print(result.group())


text2 = "user_name123"

# 匹配字母、数字、下划线
pattern2 = re.compile(r'\w+')
result2 = pattern2.match(text2)
print(result2.group())



text = "Special characters: #@!"

# 匹配非字母、数字、下划线
pattern = re.compile(r'\W+')
result = pattern.match(text)
print(result.group())
text = "This is a text with spaces."

# 匹配空白字符
pattern = re.compile(r'\s+')
result = pattern.split(text)
print(result)

# 匹配非空白字符
pattern = re.compile(r'\S+')
result = pattern.findall(text)
print(result)

重复限定符：

{n}：匹配前面的字符恰好 n 次。

python 复制代码

text = "xxy"

# 匹配 "x" 重复两次
pattern = re.compile(r'x{2}')
result = pattern.search(text)
print(result.group())

{n,}：匹配前面的字符至少 n 次。

python 复制代码

text = "xxxy"

# 匹配 "x" 至少两次
pattern = re.compile(r'x{2,}')
result = pattern.search(text)
print(result.group())

{n,m}：匹配前面的字符至少 n 次，但不超过 m 次。

python 复制代码

text = "xxxy"

# 匹配 "x" 至少两次，但不超过三次
pattern = re.compile(r'x{2,3}')
result = pattern.search(text)
print(result.group())