正则表达式使用一些既定的表达式来实现文本检索和其他字符串处理的功能，在python中，re模块可以使用正则表达式能够快速的提取目标文本、文本替换等操作。接下来就给大家介绍一下re中正则表达式的应用。
字符串检索
使用re模块可以进行字符串检索，常用的有re.search()、re.match()和re.findall()三个
# re.search
[I]: re.search("\d{3}-\d{3,8}", 'tel:010-12345;tel:010-56789;tel:010-89728')
[O]: <re.Match object; span=(4, 13), match='010-12345'>
# re.match
[I]: re.match("\d{3}-\d{3,8}", 'tel:010-12345;tel:010-56789;tel:010-89728')
[O]: None
# re.match
[I]: re.match("\d{3}-\d{3,8}", '010-12345;tel:010-56789;tel:010-89728')
[O]: <re.Match object; span=(0, 9), match='010-12345'>
# re.findall
[I]: re.findall("\d{3}-\d{3,8}", 'tel:010-12345;tel:010-56789;tel:010-89728')
[O]: ['010-12345', '010-56789', '010-89728']
三种方法均能够实现文本检索，但是有不同的使用场景。re.search()和re.match()返回的是第一个检索到符合要求的文本，在此基础上，re.match()还需要检索的文本出现在字符串开始的位置，否则没有检索结果。re.findall()直接检索所有符合要求的字符串，并以列表方式返回。
字符串提取
字符串检索过程中返回的是re匹配之后的对象，不能直接输出，需要搭配group方法使用
# groups
[I]: re.search("(\d{3})-(\d{3,8})", 'tel:010-12345').groups()
[O]: ('010', '12345')
# group(index)
[I]: re.search("(\d{3})-(\d{3,8})", 'tel:010-12345').group(0)
[O]: '010-12345'
[I]: re.search("(\d{3})-(\d{3,8})", 'tel:010-12345').group(1)
[O]: '010'
[I]: re.search("(\d{3})-(\d{3,8})", 'tel:010-12345').group(2)
[O]: '12345'
搭配group进行检索时，需要在提取字符串区间的正则表达式中使用()，如果有符合条件的字符串，会输出括号内匹配到的内容。当使用groups()时，返回全部匹配结果，并使用元组的格式返回所有数据；如果只想调取某一个数据，可以使用group(index)方式返回数据，当index为0时，返回所有()之间的全部字符串内容。
字符串替换
对于字符串的替换，如果使用字符串的replace并且字符串中存在多个不同的、需要替换的、存在一定规律的内容时，就需要进行多次replace处理，此时使用正则表达式就可以轻松搞定。
# re.sub
[I]: str_test = '123ab***125bc***267cg***098fc***878hb'
[I]: re.sub('\d{3}[a-z]{2}', '', str_test)
[O]: '************'
正则表达式除了可以在re模块中实现字符串的替换，也可以在其他数据中使用，比如pandas模块下的replace方法。
# 使用正则表达式替换pandas某一列的内容
>>> import pandas as pd
>>> data=pd.read_table('test', header=0)
>>> data['col3']
0 12345
1 125
2 2389
3 2560
4 78
>>> data['col3'].replace('^\d{2,3}$', '0', regex=True)
0 12345
1 0
2 2389
3 2560
4 0
上述代码会将10-999内所有的数替换成0。此处应该注意要使用regex=True参数，否则正则表达式不起作用。
字符串分割
在生信分析中，某些软件输出的文件对齐方式是占位排布的，左对齐或者右对齐，如果字符串长度不一致，中间会出现数量不等的空格，如果使用字符串的split分割方法会出现问题，此时可以使用re搭配正则表达式对数据进行分割。
[I]: s = "this is a test "
# 使用字符串的split方法
[I]: s.strip().split(" ")
[O]: ['this', 'is', '', '', '', 'a', '', '', '', '', 'test']
# 使用re模块的split方法
[I]: re.split("\s{1,}",s.strip())
[O]: ['this', 'is', 'a', 'test']
字符串s包含四列，第一列和第四列5个占位，第二列和第三列6个占位。若想只获取文本内容，直接使用字符串的split存在多个空白符，而使用re模块的split就不会存在这种问题
常用的正则表达式元素
以上介绍了re模块中使用正则表达式进行的基本操作，下面整理了常用的正则表达式使用的规则、对应的用法及示例
| 模式 | 功能描述 | 实例 | 结果 |
|---|---|---|---|
| ^ | 匹配开头 | ^H | Hello,hello |
| $ | 匹配结尾 | $e | after,before |
| . | 匹配除换行符之外的任意字符 | h. | hello,teach\n |
| [0-9] | 匹配一个数字，0-9 | hello\d | hello012,hellowrld |
| [a-zA-Z] | 匹配一个字母 | 123[a-zA-Z] | 123abc,123Abc,1234 |
| [^0-9] | 匹配非数字字符 | hello\[^\d] | hello012,hellowrld |
| * | 匹配0个或多个 | e* | hello,sheet,world |
| + | 匹配1个或多个 | e+ | sheet,hello |
| ? | 匹配0个或1个 | e? | hello,sheet,eee |
| {n} | 匹配n次 | e{2} | sheet,hello |
| {n,} | 匹配至少n次 | \d{3,} | 123test,12test |
| {n,m} | 匹配n到m次 | \d{2,3} | 123test,12test,12345test,1test |
| a|b | 匹配a或者b | 123|235 | 123abc,235abc,125abc |
| (string) | 返回匹配到的字符串 | ||
| \w-\W | 匹配字母、数字和下划线 | 123\w | 123a,1234,123_ |
| \s-\S | 匹配任意空白字符，等价于[\t\n\r\f] | hello\s | hello world |
| \d-\D | 匹配数字，等价于[0-9] | hello[0-9] | hello012,hellowrld |
| \n..\t | 换行符等特殊字符 |
以上就是re模块的简单使用及一些常用的正则表达式规则。对于检索和替换，替换相同的内容可以使用不同的表达式，相同的表达式在不同文本中返回结果也未必完全一样，在使用中需要根据数据的实际情况进行调整。
除了这些，re模块还有很多扩展功能，有兴趣的话可以自己学一学，练一练。
参考内容
[1] https://docs.python.org/3/library/re.html
[2] https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.replace.html
网友评论