Python正規式サンプルコード

reモジュールは、Python言語にすべての通常の式関数を持たせます。

使用される構文

注意：

1. エスケープキャラクター

 s
'( abc)def'
 m = re.search("(\(.*\)).*", s)
 print m.group(1)(abc)

re.match関数

re.matchは、文字列の先頭からパターンを照合しようとします。最初に照合が成功しなかった場合、match（）はnoneを返します。

例1：

#! /usr/bin/python
# - *- coding: UTF-8-*-import re
print(re.match('www','www.zalou.cn').span()) #開始時に一致
print(re.match('net','www.zalou.cn'))     #最初は一致しません

出力結果：

(0, 3)
None

例2：

#! /usr/bin/python
import re
 
line ="Cats are smarter than dogs"
 
matchObj = re.match( r'(.*) are (.*?) .*', line, re.M|re.I)if matchObj:
 print "matchObj.group() : ", matchObj.group()
 print "matchObj.group(1) : ", matchObj.group(1)
 print "matchObj.group(2) : ", matchObj.group(2)else:
 print "No match!!"

出力結果：

matchObj.group() : Cats are smarter than dogs
matchObj.group(1) : Cats
matchObj.group(2) : smarter

上記はpython2の印刷出力です。pythonに（）を追加することを忘れないでください。pythonの出力は、取得したコンテンツと一致するように他の言語の\ nと同様です。

python group()

通常の式では、group（）を使用してグループ化によってインターセプトされた文字列を提案し、（）を使用してグループ化します。

前の文字列を複数回繰り返します

 a ="kdlal123dk345"
 b ="kdlal123345"
 m = re.search("([0-9]+(dk){0,1})[0-9]+", a)
 m.group(1), m.group(2)('123dk','dk')
 m = re.search("([0-9]+(dk){0,1})[0-9]+", b)
 m.group(1)'12334'
 m.group(2)

理由

1. 正規式の3セットの括弧は、マッチング結果を3つのグループに分割します

group（）はgroup（0）と同じで、通常の式の全体的な結果と一致します。
group（1）は最初のブラケット一致部分をリストし、group（2）は2番目のブラケット一致部分をリストし、group（3）は3番目のブラケット一致部分をリストします。
2. 成功した一致がない場合、re.search（）はNoneを返します

3. もちろん、通常の式には括弧はなく、group（1）は間違いなく間違っています。

例

1. 文字列がすべて小文字かどうかを判断します

# - *- coding: cp936 -*-import re 
s1 ='adkkdk'
s2 ='abc123efg'

an = re.search('^[a-z]+$', s1)if an:
 print 's1:', an.group(),'すべて小文字'else:
 print s1,"すべてが小文字ではありません！"

an = re.match('[a-z]+$', s2)if an:
 print 's2:', an.group(),'すべて小文字'else:
 print s2,"すべてが小文字ではありません！"

結果

理由

1. 通常の式はpythonの一部ではありません。使用する場合は、reモジュールを引用する必要があります。

2. 一致する形式は、re.search（通常の式、一致する文字列）またはre.match（通常の式、一致する文字列）です。 2つの違いは、後者はデフォルトで開始文字（^）で始まることです。したがって、

re.search（ '^ [az] +'、s1）はre.match（ '[a-z] +'、s2）と同等です

3. 一致が失敗した場合、a = re.search（ '^ [az] + $'、s1）はNoneを返します

groupは、一致する結果をグループ化するために使用されます

例えば

import re
a ="123abc456"
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(0)  #123abc456,全体に戻る
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(1)  #123
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(2)  #abc
print re.search("([0-9]*)([a-z]*)([0-9]*)",a).group(3)  #456

出力結果

123 abc456
123
abc
456

1 ）正規式の3セットの括弧は、マッチング結果を3つのグループに分割します

group（）はgroup（0）と同じで、通常の式の全体的な結果と一致します。

group（1）は最初のブラケット一致部分をリストし、group（2）は2番目のブラケット一致部分をリストし、group（3）は3番目のブラケット一致部分をリストします。

2 ）一致するものがない場合、re.search（）はNoneを返します

3 ）もちろん、通常の式には括弧はなく、group（1）は間違いなく間違っています。

2. 頭字語の拡張

具体例

FEMA Federal Emergency Management Agency
IRA Irish Republican Army
DUP Democratic Unionist Party

FDA Food and Drug Administration
OLC Office of Legal Counsel
分析

略語FEMA
F *** E *** M *** A ***に分解
通常の大文字+小文字（1以上）+スペース

参照コード

import re
def expand_abbr(sen, abbr):
 lenabbr =len(abbr)
 ma =''for i inrange(0, lenabbr):
 ma += abbr[i]+"[a-z]+"+' '
 print 'ma:', ma
 ma = ma.strip(' ')
 p = re.search(ma, sen)if p:return p.group()else:return''

print expand_abbr("Welcome to Algriculture Bank China",'ABC')

結果

問題

上記のコードは、例の最初の3つについては正しいですが、大文字で始まる単語も小文字の単語と混合されているため、後の2つは間違っています。

法律

大文字+小文字（1以上）+スペース+ [小文字+スペース]（0次或1次）

参照コード

import re
def expand_abbr(sen, abbr):
 lenabbr =len(abbr)
 ma =''for i inrange(0, lenabbr-1):
 ma += abbr[i]+"[a-z]+"+' '+'([a-z]+ )?'
 ma += abbr[lenabbr-1]+"[a-z]+"
 print 'ma:', ma
 ma = ma.strip(' ')
 p = re.search(ma, sen)if p:return p.group()else:return''

print expand_abbr("Welcome to Algriculture Bank of China",'ABC')

スキル

中央の小文字のセット+スペースは、全体として、括弧を追加します。同時にまたは同時にではないので、それを使用する必要がありますか？ 、先に全体を合わせるために。

3. 番号のコンマを削除

具体例

自然言語を扱う場合、123,000,000を句読点で割ると問題が発生します。適切な数値はコンマで区切られているため、最初に数値を処理できます（カンマを削除します）。

分析

多くの場合、番号は3つの番号のグループであり、その後にコンマが続くため、ルールは***、***、***です。

正規表現

[ a-z]+,[a-z]?

参照コード3-1

import re

sen ="abc,123,456,789,mnp"
p = re.compile("\d+,\d+?")for com in p.finditer(sen):
 mm = com.group()
 print "hi:", mm
 print "sen_before:", sen
 sen = sen.replace(mm, mm.replace(",",""))
 print "sen_back:", sen,'\n'

結果

スキル

関数finditer（string [、pos [、endpos]]）| re.finditer（pattern、string [、flags]）を使用します。

文字列を検索し、各一致結果（Matchオブジェクト）に順番にアクセスするイテレーターを返します。

参照コード3-2

sen ="abc,123,456,789,mnp"while1:
 mm = re.search("\d,\d", sen)if mm:
 mm = mm.group()
 sen = sen.replace(mm, mm.replace(",",""))
 print sen
 else:break

結果

拡張する

このようなプログラムは、特定の問題、つまり3桁のグループを対象としています。数字が文字と混在している場合は、数字の間のコンマを削除します。つまり、「abc、123,4,789、mnp」を「abc、1234789、mnp」に変換します。

アイデア

具体的には、「number、number」という正規表現を見つけて、削除したコンマに置き換えます。

参照コード3-3

sen ="abc,123,4,789,mnp"while1:
 mm = re.search("\d,\d", sen)if mm:
 mm = mm.group()
 sen = sen.replace(mm, mm.replace(",",""))
 print sen
 else:break
print sen

結果

4. 中国の処理の年換算（例：1949-1949）

中国の処理にはコーディングの問題が含まれます。たとえば、以下のプログラムが年（****年）を認識する場合

# - *- coding: cp936 -*-import re
m0 ="ニューチャイナは1949年に設立されました"
m1 ="1990年より5.2％低い"
m2 ='男は1996年にロシア軍を破った,実質的な独立を達成'

def fuc(m):
 a = re.findall("[ゼロ|1|二|三|四|ファイブ|6|セブン|8|ナイン]+年", m)if a:for key in a:
  print key
 else:
 print "NULL"fuc(m0)fuc(m1)fuc(m2)

運用結果

2番目と3番目にエラーがあることがわかります。

改善-ユニコード認識への標準化

# - *- coding: cp936 -*-import re
m0 ="ニューチャイナは1949年に設立されました"
m1 ="1990年より5.2％低い"
m2 ='男は1996年にロシア軍を破った,実質的な独立を達成'

def fuc(m):
 m = m.decode('cp936')
 a = re.findall(u"[\u96f6|\u4e00|\u4e8c|\u4e09|\u56db|\u4e94|\u516d|\u4e03|\u516b|\u4e5d]+\u5e74", m)if a:for key in a:
  print key
 else:
 print "NULL"fuc(m0)fuc(m1)fuc(m2)

結果

漢字を数字に置き換えることで認識できます。

参照

numHash ={}
numHash['ゼロ'.decode('utf-8')]='0'
numHash['1'.decode('utf-8')]='1'
numHash['二'.decode('utf-8')]='2'
numHash['三'.decode('utf-8')]='3'
numHash['四'.decode('utf-8')]='4'
numHash['ファイブ'.decode('utf-8')]='5'
numHash['6'.decode('utf-8')]='6'
numHash['セブン'.decode('utf-8')]='7'
numHash['8'.decode('utf-8')]='8'
numHash['ナイン'.decode('utf-8')]='9'

def change2num(words):
 print "words:",words
 newword =''for key in words:
 print key
 if key in numHash:
  newword += numHash[key]else:
  newword += key
 return newword

def Chi2Num(line):
 a = re.findall(u"[\u96f6|\u4e00|\u4e8c|\u4e09|\u56db|\u4e94|\u516d|\u4e03|\u516b|\u4e5d]+\u5e74", line)if a:
 print "------"
 print line
 for words in a:
  newwords =change2num(words)
  print words
  print newwords
  line = line.replace(words, newwords)return line

**5. | **で区切られた複数の携帯電話番号

例えば：

ヌル値
12222222222
12222222222|12222222222
12222222222|12222222222|12222222444

表現

s = “[\d]{11}(\|[\d]{11})*|”

4.推奨

Python正規表現ガイド

これまでのところ、python正規式のサンプルコードに関するこの記事を紹介します。より関連性の高いpython正規式のサンプルコンテンツについては、ZaLou.Cnで以前の記事を検索するか、以下の関連記事を引き続き参照してください。今後、ZaLou.Cnをさらにサポートしていただければ幸いです。