python入门系列十七（正则表达式）

1.引言

针对文本处理任务，正则表达式是一项很有用的能力。比如下面这些场景：

• 输入数据校验：保障数据符合格式要求（Email，电话号码）
• 数据提取：提取模式化数据（电话号码，ID，URL）
• 文本处理：替换，清洗，格式化
• 结构化文本解析：日志，配置文件
• 安全防护：敏感信息检查，攻击特征识别

等等。这篇文章，我们来看正则表达式的方方面面。

2.正则表达式

2.1.基础语法

2.1.1.元字符

正则表达式的本质，是通过一系列特殊字符构建匹配模式，这些特殊字符分类有：定位符，通配符，量词符，逻辑符。

- 定位符
^：匹配字符串开始
$：匹配字符串结尾
\b：匹配单词边界

^：匹配字符串开始示例

$：匹配字符串结尾示例

\b：匹配单词边界示例

- 通配符
.：匹配除换行符以外的任意单个字符
\d：匹配数字
\w：匹配单词字符（字母，数字，下划线）
\s：匹配空白字符（空格，制表符，换行）

.：匹配除换行符以外的任意单个字符

\d：匹配数字

\w：匹配单词字符（字母，数字，下划线）

\s：匹配空白字符（空格，制表符，换行）

- 量词符
*：0次或多次
+：一次或多次
？：0次或一次
{n}：精确n次
{n,}：至少n次
{n,m}：n到m次

*：0次或多次

+：一次或多次

？：0次或一次

{n}：精确n次

{n,}：至少n次

{n,m}：n到m次

- 逻辑符
|：或运算
[...]：字符集合
[^...]：否定字符集合

|：或运算

[...]：字符集合

\^...\]：否定字符集合  #### 2.1.2.分组 在文本提取场景中，可以通过"()"创建分组方式提取目标数据： ```shell ()：创建捕获分组 (?:)：非捕获组 (?P)：命名分组 ``` **()：创建捕获分组**  **(?:)：非捕获组**  **(?P\]+>', '', text) print("移除html标签结果：",text) # 标准化日期格式 2023-08-15 text = re.sub(r'(\d{4})/(\d{2})/(\d{2})', r'\1-\2-\3', text) print("替换日期格式结果：",text) # 删除重复空格 text = re.sub(r'\s+', ' ', text) print("删除重复空格结果：",text) return text.strip() # 调用函数进行文本清洗 cleaned_text = clean_text(text) ```  #### 2.2.3.最佳实践 在使用python编程接口处理正则表达式中，有一些可参考的最佳实践原则： * 优先使用原始字符串(r'') * 复杂模式添加注释(re.VERBOSE) * 预编译多次使用正则表达式 * 非捕获分组减少内存消耗 * 安全审查用户输入的正则表达式 * 合理使用第三方库，比如regex功能更强大