「背景前情提要」

💘背景

“什么？你快得手了！恭喜恭喜！”

“还在暧昧期了啦，嘿嘿”

“那你今天为啥又找我？（躲避脸）”

“没事，没事，真的！大佬先坐一坐。”

“感觉不对呀！（准备起身离开这险恶的环境了）”

“就是有个问题了，你不会眼看着我在近在咫尺的成功面前败下来吧？”

“真是城会玩！行吧，你说咯。(嫌弃脸)”

“你说我准备饭后给她点个🍮，合理吧，于是我就问她的地址，这合理吧”

“你想说什么？！”

“到了到了，哈哈，点外卖总得知道电话，这很合理吧，不过她给我发了一堆文字（见上图），说从里面找出她的电话☎️，你想我这个学渣，怎么看得懂？大佬救命，完事后，海底捞来一顿！”

“看在你这么有诚意的份上，行吧，下不为例！（感觉是不太可能了）”

正则表达式

「本文将从简单到容易，通过🌰解释常用的正则表达式的用法。全文分为以下几部分：」

python库函数
匹配单个字符
匹配多个字符
元字符
重复字符串匹配
位置匹配
使用子表达式
使用回溯
前后查找
嵌入条件

0. python库函数

常用的正则表达式包是re，其中使用最多的几个函数为：

re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match()就返回none。

re.search 扫描整个字符串并返回第一个成功的匹配。

re.findall 在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。

本文将使用其中的函数，简单封装成一个便于输出的接口调用

import re#python常用的正则表达式包
def get_res(regex,text):
    res=re.findall(regex,text)
    print('findall res:',res)
    res=re.search(regex,text)
    print('search res:',res)

1.匹配单个字符

example 1: 单个字符

text="Hello, my name is Van. Please visit my website at https://www.zhihu.com/people/le-yifan-35."




    
get_res(r'Van',text)

findall res: ['Van']
search res: span=(18, 21), match='Van'>

example 2:匹配任何字符

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls"

get_res(r'sales.',text)

findall res: ['sales1', 'sales2', 'sales3']
search res: span=(0, 6), match='sales1'>

2. 匹配多个字符

example 1:匹配多个字符

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"

get_res(r'[ns]a.\.xls',text)

findall res: ['na1.xls', 'na2.xls', 'sa1.xls']
search res: span=(61, 68), match='na1.xls'>

example 2：匹配多个字符

text="The phrase “regular expression” is often abbreviated as RegEx or regex."

get_res(r'[Rr]eg[Ee]x',text)

findall res: ['RegEx', 'regex']
search res: span=(56, 61), match='RegEx'>

example 3：设定字符的范围

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"

get_res(r'[ns]a[0123456789]\.xls',text)

get_res(r'[ns]a[0-9]\.xls',text)

findall res: ['na1.xls', 'na2.xls',


    
 'sa1.xls']
search res: span=(61, 68), match='na1.xls'>
findall res: ['na1.xls', 'na2.xls', 'sa1.xls']
search res: span=(61, 68), match='na1.xls'>

example 4：设定字符的范围

text=""

get_res(r'[0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f][0-9A-Fa-f]',text)

findall res: ['336633', 'FFFFFF']
search res:  span=(16, 22), match='336633'>

example 5:取非匹配

text="sales1.xls\
orders3.xls\
sales2.xls\
sales3.xls\
apac1.xls\
europe2.xls\
sam.xls\
na1.xls\
na2.xls\
sa1.xls\
ca1.xls"

get_res(r'[ns]a[^0-9]\.xls',text)

findall res: ['sam.xls']
search res: span=(61, 68), match='sam.xls'>

3. 元字符

元字符指的是这个字符有特殊的含义，而不是字符本身的含义

example 1:元字符'[]'

text="var myArray = new Array();\
...\
if (myArray[0] == 0) {\
...\
}"
get_res(r'myArray[0]',text)

get_res(r'myArray\[0\]',text)

findall res: []
search res: None
findall res: ['myArray[0]']
search res: span=(33, 43), match='myArray[0]'>

example 2:元字符'\'

text="\ home\  ben\ sales\ "
get_res(r'\\',text)

findall res: ['\\', '\\', '\\', '\\']
search res: span=(0, 1), match='\\'>

example 3:空白字符

text="“101”,”Ben”,”Forta”\
“102”,”Jim”,”James”\r\n\
\r\n\
“103”,”Roberta”,”Robertson”\
“104”,”Bob”,”Bobson”"
get_res(r'\r\n\r\n',text)




    
findall res: ['\r\n\r\n']
search res: span=(38, 42), match='\r\n\r\n'>

example 4:数字元字符

text="var myArray = new Array();\
...\
if (myArray[0] == 0) {\
...\
}"
get_res(r'myArray\[\d\]',text)

findall res: ['myArray[0]']
search res:  span=(33, 43), match='myArray[0]'>

example 5:字母数字元字符

text='11213 \
A1C2E3 \
48075 \
48237 \
M1B4F2 \
90046 \
H1H2H2'
get_res(r'\w\d\w\d\w\d',text)

findall res: ['A1C2E3', 'M1B4F2', 'H1H2H2']
search res:  span=(6, 12), match='A1C2E3'>

4. 重复字符串匹配

example 1:匹配0个或者多个字符

text='Hello .ben@forta.com is my email address.'
get_res(r'\w+[\w.]*@[\w.]+\.\w+',text)

findall res: ['ben@forta.com']
search res: span=(7, 20), match='ben@forta.com'>

text="The URL is http://www.forta.com/, to connect securely use https://www.forta.com/ instead."
get_res(r"https?://[\w./]+",text)

findall res: ['http://www.forta.com/', 'https://www.forta.com/']
search res: span=(11, 32), match='http://www.forta.com/'>

example 2:

text=""

get_res(r"\d{6}",text)

findall res: ['336633']
search res: 


    
span=(16, 22), match='336633'>

example 3:范围匹配

text="4/8/03 \
10-6-2004 \
2/2/2 \
01-01-01"

get_res(r"\d{1,2}[-\/]\d{1,2}[-\/]\d{2,4}",text)

findall res: ['4/8/03', '10-6-2004', '01-01-01']
search res: span=(0, 6), match='4/8/03'>

example 4:至少多少次数匹配

text="1001: $496.80 1002: $1290.69 1003: $26.43 1004: $613.42 1005: $7.61 1006: $414.90 1007: $25.00"

get_res(r"\d+: \$\d{3,}\.\d{2}",text)

findall res: ['1001: $496.80', '1002: $1290.69', '1004: $613.42', '1006: $414.90']
search res: span=(0, 13), match='1001: $496.80'>

example 5:防止过度匹配

text="This offer is not available to customers living in AK and HI."

get_res(r".*[Bb]>",text)

get_res(r".*?[Bb]>",text)

findall res: ['AK and HI']
search res: span=(51, 74), match='AK and HI'>
findall res: ['AK', 'HI']
search res:  span=(51, 60), match='AK'>

5. 位置匹配

example 1:字符边界

text="The cat scattered his food all over the room."

get_res(r"cat",text)

get_res(r"\bcat\b",text)

findall res: ['cat', 'cat']
search res:  span=(4, 7), match='cat'>
findall res: ['cat']
search res:  span=(4, 7), match='cat'>

example 2:"\B"边界

text="Please enter the nine-digit id as it appears on your color - coded pass-key."

get_res(r'\B-\B',text)
print(text[55:63])

get_res(r'\b-\b',text)

findall res: ['-']
search res: span=(59, 60), match='-'>
lor - co
findall res: ['-', '-']
search res: span=(21, 22), match='-'>

example 3:字符串边界

text=" 

get_res(r'^\s*',text)

findall res: ['encoding=”UTF-8” ?>']
search res: span=(0, 39), match=' encoding=”UTF-8” ?>'>

6. 使用子表达式

example 1:子表达式

text="Hello, my name is Ben Forta, and I am the author of books on SQL, ColdFusion, WAP,\
Windows  2000, and other subjects."

get_res(r' {2,}',text)

get_res(r'( ){2,}',text)

findall res: []
search res: None
findall res: [' ']
search res:  span=(94, 106), match='  '>

example 2:子表达式

text="Pinging hog.forta.com [12.159.46.200] with [12.159.89.200] 32 bytes of data:"
#findall中含有“()”时，只表示出子表达式特定位置的字符，见下文结果

get_res(r"(\d{1,3}\.){3}\d{1,3}",text)

findall res: ['46.', '89.']
search res:  span=(23, 36), match='12.159.46.200'>

example 3:子表达式

text='ID: 042 \
SEX: M \
DOB: 1967-08-17 \
Status: Active'

get_res(r"19|20\d{2}",text)

get_res(r"(19|20)\d{2}",text)

findall res: ['19']
search res: 


    
 span=(20, 22), match='19'>
findall res: ['19']
search res:  span=(20, 24), match='1967'>

7.使用回溯

「回溯引用允许正则表达式模式引用前面的匹配结果。可以把回溯引用想象成一个变量。」

example 1:回溯

text='This is a block of of text, several words here are are repeated, and and they should not be.'

get_res(r"[ ]+(\w+)[ ]+\1",text)#\1 就是引用(\w+)的内容，表示第1个子表达式

findall res: ['of', 'are', 'and']
search res: span=(15, 21), match=' of of'>

example 2: 回溯

text=" \
Welcome to my Homepage
 \
Content is divided into two sections:
 ColdFusion
 \
Information about Macromedia ColdFusion. Wireless
 \
Information about Bluetooth, 802.11, and more. This is not valid HTML \
"

get_res(r".*?[hH]\1>",text)

findall res: ['1', '2', '2']
search res: span=(7, 38), match='Welcome to my Homepage'>

8. 前后查找

前后查找（lookaround）对某一位置的前、后内容进行查找。

example 1:向前查找

text='http://www.forta.com/\n\
https://mail.forta.com/\n\
ftp://ftp.forta.com/\n'

get_res(r".+(?=:)",text)

findall res: ['http', 'https', 'ftp']
search res: span=(0, 4), match='http'>

example 2:向后查找

text='ABC01: $23.45\n\
HGG42: $5.31\n\
CFMX1: $899.00 XTC99: $69.96\n\
Total items found: 4'

get_res(r"(?<=\$)[0-9.]+",text)

findall res: ['23.45', '5.31', '899.00', '69.96']
search res: span=(8, 13), match='23.45'>

example 3:向前向后查找

text='\n\
Ben Forta’s Homepage\n\
'

get_res(r"(?<=).*(?=[tT][iI][tT][lL][eE]>)",text)

findall res: ['Ben Forta’s Homepage']
search res: span=(14, 34), match='Ben Forta’s Homepage'>

example 4:负向查找

text="I paid $30 for 100 apples, 50 oranges, and 60 pears. I saved $5 on this order."

get_res(r"(?,text)

findall res: ['0', '100', '50', '60']
search res: span=(9, 10), match='0'>

9. 嵌入条件

example 1:（?(backreference)true-regex）

text='\n\
\n\
\n\
\n\
\n\
\n\
 '

get_res(r"(]+>\s*)?]+>(?(1)\s*[Aa]>)",text)

findall res: ['', '', '', '', '']
search res:  span=(22, 70), match=''>

example 2:（?(backreference)true-regex|false-regex）

text='123-456-7890\n\
(123)456-7890\n\
(123)-456-7890\n\
(123-456-7890\n\
1234567890\n\
123 456 7890'

get_res(r"(\()?\d{3}(?(1)\)|-)\d{3}-\d{4}",text)

findall res: ['', '(', '']
search res:  span=(0, 12), match='123-456-7890'>

代码

以上的东西我已经整理好了：

一文入坑正则表达式代码(https://github.com/weizaiff/regexp)

「所以外卖🥡该填哪个电话☎️呢？」

参考资料

《正则表达式必知必会(修订版)》

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方"AINLP"，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加入AINLP技术交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注NLP技术交流

推荐阅读

这个NLP工具，玩得根本停不下来

完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）

从数据到模型，你可能需要1篇详实的pytorch踩坑指南

如何让Bert在finetune小数据集时更“稳”一点

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。

阅读至此了，分享、点赞、在看三选一吧🙏

动手学正则表达式(含Python代码实践)

💘背景