【NLP】_00_正则表达式

【一】基本语法

【二】基本流程

• 指定好匹配的模式（pattern）
• 选择相对应的方法（march，serch，…）
• 能得到匹配的结果（group）
   
• 基本操作示例：

1. 工具包 和 测试字符 准备

# 导入包
import re
# 定义字符串
arr = '自然语言处理很重要 。 12abc789'

2. 字符集合

# [abc] 指定包含字符
pattern = re.compile(r'[abc]')
re.findall(pattern, arr)
# 输出：['a', 'b', 'c']

# [a-zA-Z] 来指定所以英文字母的大小写
pattern = re.compile(r'[a-zA-Z]')
re.findall(pattern, arr)
# 输出：['a', 'b', 'c']

# [^a-zA-Z] 指定不匹配所有英文字母
pattern = re.compile(r'[^a-zA-Z]')
re.findall(pattern, arr)
# 输出：['自', '然', '语', '言', '处', '理', '很', '重', '要', ' ', '。', ' ', '1', '2', '7', '8', '9']

3. 或方法（将两个规则并列起来，以 | 连接，表示只要满足其中之一就可以匹配）

# [a-zA-Z]|[0-9] 表示满足数字或字母就可以匹配，这个规则等价于 [a-zA-Z0-9]
pattern = re.compile(r'[a-zA-Z]|[0-9]')
re.findall(pattern, arr)
# 输出：['1', '2', 'a', 'b', 'c', '7', '8', '9']

4. 匹配数字 \d 等价于 [0-9]

# \d
pattern = re.compile(r'\d')
re.findall(pattern, arr)
# 输出：['1', '2', '7', '8', '9']

5. 匹配非数字 \D

# \D 
pattern = re.compile(r'\D')
re.findall(pattern, arr)
# 输出：['自', '然', '语', '言', '处', '理', '很', '重', '要', ' ', '。', ' ', 'a', 'b', 'c']

6. 匹配字母和数字 \w

# \w 
pattern = re.compile(r'\w')
re.findall(pattern, arr)
# 输出：['自', '然', '语', '言', '处', '理', '很', '重', '要', '1', '2', 'a', 'b', 'c', '7', '8', '9']

7. 匹配非字母和数字 \W

# \W 
pattern = re.compile(r'\W')
re.findall(pattern, arr)
# 输出：[' ', '。', ' ']

8. 匹配间隔符 \s

# \s
pattern = re.compile(r'\s')
re.findall(pattern, arr)
# 输出：[' ', ' ']

9. * 0或多次匹配

# *
pattern = re.compile(r'\d*')
re.findall(pattern, arr)
# 输出：['', '', '', '', '', '', '', '', '', '', '', '', '12', '', '', '', '789', '']

10. + 1或多次匹配

# +
pattern = re.compile(r'\d+')
re.findall(pattern, arr)
# 输出：['12', '789']

11. ? 0或1次匹配

# ?
pattern = re.compile(r'\d?')
re.findall(pattern, arr)
# 输出：['', '', '', '', '', '', '', '', '', '', '', '', '1', '2', '', '', '', '7', '8', '9', '']

12. 精确匹配 m 次 {m}

# {m}
pattern = re.compile(r'\d{3}')
re.findall(pattern, arr)
# 输出：['789']

13. 匹配最少 m 次，最多 n 次 {m,n}

# {m,n}
pattern = re.compile(r'\d{1,3}')
re.findall(pattern, arr)
# 输出：['12', '789']

• match 与 search（match 从字符串的开头开始匹配，如果开头位置没有匹配成功，就算失败了；而 search 会跳过开头，继续向后寻找是否有匹配的字符串）

1. 工具包 和 测试字符 准备

# 导入包
import re
# 定义字符串
arr2 = '123自然语言处理'

2. search

# search
pattern = re.compile(r'\d')
match = re.search(pattern, arr2)
match.group()
# 输出：'1'

• sub 与 subn
• sub ( rule , replace , target [,count] )
• subn(rule , replace , target [,count] )

1. sub

# sub
pattern = re.compile(r'\d')
re.sub(pattern,'数字', arr2)
# 输出：'数字数字数字自然语言处理'

2. subn（会输出替换了几次）

# subn
pattern = re.compile(r'\d')
re.subn(pattern,'', arr2)
# 输出：('自然语言处理', 3)

• split
• split( rule , target [,maxsplit] )

# split
arr3= '自然语言处理123机器学习456深度学习'
pattern = re.compile(r'\d+')
re.split(pattern, arr3)
# 输出：['自然语言处理', '机器学习', '深度学习']

• ?P<…> 命名组
• <…> 里面是你给这个组起的名字

# ?P<...>
pattern = re.compile(r'(?P<dota>\d+)(?P<lol>\D+)')
m = re.search(pattern, arr3)
m.group('lol')
# 输出：'机器学习'