【python小课堂专栏】python小课堂24 - 正则表达式(二)

python小课堂24 - 正则表达式(二)

前言

今天继续来介绍一下python的正则表达式，回顾一下上次介绍的re模块整篇文章围绕着re.findall()来进行实例的讲解，也就是所谓的查询操作。为了便于回顾，这里给出链接:​​python小课堂23 - 正则表达式(一)​​

re模块的sub函数

sub:中文有代替的意思。使用re.sub()可以完成我们对原始字符串的替换操作！

先来看下官方函数的参数解释:

re.sub(pattern, repl, string, count=0, flags=0)
pattern : 正则中的模式字符串。
repl : 替换的字符串，也可为一个函数。
string : 要被查找替换的原始字符串。
count : 模式匹配后替换的最大次数，默认 0 表示替换所有的匹配。
flags : 标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。(如:re.I 使匹配对大小写不敏感)

一大波实例来袭，做好准备哟！

实例1(替换普通字符):

假设我数学和英文考试都得了60分……然而我并不甘心，上天给了我一次作弊的机会，可以通过程序来替换分数！如何做呢？

import re
words = 'My math scored 60 points,My English has also scored 60 points.'
# 可以看到我的count参数给出的是0# 默认匹配所有60分，修改为100分
new_words = re.sub('60','100',words,0)
print(new_words)

>>> My math scored 100 points,My English has also scored 100 points.

同理，若是只想修改数学成绩，则将count参数改为1即可：

实例2(有逻辑的函数替换):

假设我的数学成绩考了85分！emmm相当不错了，但是我依然想让它增加5分，我爱数学！而英语这次考了100分，因为作弊了……为了不让老师察觉，我决定偷偷降低点分数！两种条件，如何才能使用sub函数来完成呢？别忘了我们的repl(replace)参数是可以传递函数的！这也是Python的一个特性，参数可以传递函数，如下:

import re
def modify_score(score):
    print(score)
    new_socre = score.group()    
    if int(new_socre) == 85:        
        return '90'
    if int(new_socre) == 100:        
        return '80'

words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.sub('\d{2,3}',modify_score,words,0)
print(new_words)

讲解一下:在modify_score中，使用传入score，可以打印输出看下它的类型，这是一种正则的类型，而非字符串类型。此类型要将其内容本身匹配出来，则需要调用它的group()方法，new_score取出来的便是数字形式的字符串。下面的逻辑对比，需要将字符串转换为int型，才可以进行对比操作，否则会报错哟。

综上所述: re.sub()可以轻松的实现字符串的替换，并且可以用函数传递的方式来对原始字符串进行业务逻辑的判断。

re模块其它常用函数

1. match

依然是用事例来解释看下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.match('\d{2,3}',words)
print(new_words)

>>> None

上述结果，打印为None，Why???

因为match函数在进行匹配的时候，是从字符串的起始开始进行匹配，若开头的字符串不符合正则表达式，则直接返回None，也就是什么都没匹配到，停止后续匹配。

所以如果修改words，让我们的分数在字符串开头试下：

2. search

使用search的示例如下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words = re.search('\d{2,3}',words)
print(new_words)
print(new_words.group())

>>> <_sre.SRE_Match object; span=(15, 17), match='85'>
>>> 85

上述结果，打印出了匹配到的对象与值，与match不一样！但是可以看到，search函数只匹配到了一次的，后续分数的100即使符合正则表达式，也不会被匹配到了。

match和search函数是当今市场上各教程类中，写爬虫最常用的两个方法，而实际上这两个函数是需要对匹配后的结果进行group分组处理，才能取出你想要的结果。在上节的小课堂中，全篇讲到的findall方法，则不需要进行group的调用，可以直接将结果以list全面匹配出来，这也是findall和match、search函数最大的区别。

group分组

既然提到了group分组，那么就来介绍下，group的具体用法，以及在爬虫中经常会以一种什么样的方式去进行你想要的匹配！

此处以search函数来举例，场景是酱紫的：我自己说了一句话 ,「我在这次考试中，数学分数考了85，英语分数考了100分，这真是太酷了!」。现在需要将「英语分数考了100分」获取到！代码如下：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'

new_words1 = re.search('points,\wThat',words)
new_words2 = re.search('points,\w*That',words)
new_words3 = re.search('points,.*That',words)
new_words4 = re.search(',(.*)That',words)

print(new_words1.group())
print(new_words2.group())
print(new_words3.group())
print(new_words4.group())

仔细看过代码的同学，肯定会疑惑为什么写了这么多行正则匹配的表达式，莫急莫急，且听我慢慢道来。在不看我下面的解释前，你认为，下面这四个print()会依次打印出什么样的结果呢？

解释：其实new_words1~4是一段非常有逻辑的演变过程。

① 先来看new_word1，如果想要匹配我英语分数考了100分这段英文字符，需要先使用普通字符串进行边界的限定，还记得吗？(上节小课堂有说过哦！忘了的话回到文章首处点击链接进行回顾。) 所以使用"ponit, "和"That"进行边界限定，一旦边界限定后，便可以使用元字符来进行内容的匹配，而**\w**代表的含义是匹配包括下划线的任何单词字符。于是调用如下图：

可以看到报错啦，错误说的是None类型没有group方法，因为1中的正则是错误的，没有正确进行匹配，所以最终得到的值是None。理由很简单，因为 \w 这样的写法只进行了单字符匹配，故然是不行的。如何进行多字符匹配呢？于是有了new_word2。

② 来看new_word2，普通字符的边界限定写法是不变的，在原来的基础上，在 \w 后面新增 * 。 * 的元字符代表的含义是匹配前一个字符0次或n次以上。然后有了下图：

为毛还是报错？然后在反思下，发现。。。哦原来是想匹配的字符串中是包含空格的，而\w是不能匹配到空格字符的，所以这个正则表达式的写法依然不对！再继续，什么元字符可以进行空格和字母的匹配呢？于是有了new_words3。

③ new_words3中使用的是.来进行空格和字母的匹配，点的后面还是使用*来匹配。如下图：

可以看到正确的结果了，终于没有报错了！但是呢，但是呢，但是呢。。。会发现，匹配到的结果却不是我想要的最终结果，它把整个正则表达式的限定边界也匹配到了…于是再次改进，就有了最后的new_words4。

④ new_words4是在③的基础上，除去了边界字符的限定，将.*用小括号扩了起来，此处就是在上节小课堂中提到的分组！而一旦分好组之后，我们便可以通过group将自己定义好的分组提取出来，清理下以上注释调的代码：

import re
words = 'My math scored 85 points,My English scored 100 points.That\'s cool！'
new_words4 = re.search(',(.*)That',words)
print(new_words4)
print(new_words4.group())
print(new_words4.group(0))
print(new_words4.group(1))

不难发现，其实group()中是可以传递数字的，默认情况下不写等同于0，可以看到上图不写和写0是一个输出结果。这里需要说下，为什么0匹配出来的是整段正则表达式的字符串，而不是我想要的“My English scored 100 points.”这句话。先来看下两段代码：

new_words4 = re.search(',(.*)That',words)
new_words5 = re.search('(,(.*)That)',words)

实际上，new_words4是等效于new_words5的，在new_words5中默认的正则参数位置是有一层隐形的小括号，也就是最外面的组，所以当我们调用group(0)或者group()实则是指这层组的关系。

若想调用组中组，需要从左到右，数字是从1开始进行调用的，和上面的代码结果图的最后一行是对应上的！

总结

到这里，关于Python的正则表达式常用的几点也就介绍完了，为什么要讲述正则呢？因为这是处理字符串文本必不可少的一个强大工具！只要能得心应手的使用它，相信不论是在处理爬虫想要的信息也好，数据清洗时处理也罢，都可以轻松玩转字符串！

用思维导图来回顾下正表达式的所有常用知识点吧，所谓一图胜过千言万语，毕竟可以来梳理思路(点开食用更加哟！)：

至此完！

有想交流沟通python相关知识的同学，欢迎关注公号：