注：以下文章原文來自于Dr Charles Severance 的 《Python for Informatics》

11.3 組合查詢和抽取

　　如果我們想以“X-”字符串開頭的行中找到數(shù)字，就像下面兩行字符串：

X-DSPAM-Confidence: 0.8475
X-DSPAM-Probability: 0.0000

　　但我們不只是要任意行中的任意浮點數(shù)，而是具備上面格式的行中的數(shù)字。

　　我們可以創(chuàng)建以下正則表達式來選擇這樣的行：

^X-.*: [0-9.]+

　　這個表達式的含義是以“X-”兩個字符開頭，后面跟了任意個字符“.*"，接著是一個冒號":"和空格" "，在空格之后呢是一個及以上的數(shù)字或小數(shù)點“[0-9.]+”。大家要注意的是方括號中的"[.]"不是匹配任何字符，而是匹配真正的"."，這與方括號外的"."要予以區(qū)分。

　　這是一個非常緊湊的表達式，它將非常匹配我們感興趣的行：

import re
hand = open('mobx-short.txt')
for line in hand:
line = line.rstrip()
if re.search('^X-.*: [0-9.]+', line)
print(line) 

　　當我們運行這個程序，我們可以看到我們想要的數(shù)據(jù)被完美的過濾顯示。

X-DSPAM-Confidence: 0.8475
X-DSPAM-Probability: 0.0000
X-DSPAM-Confidence: 0.6178
X-DSPAM-Probability: 0.0000

　　但是我們必須使用split解決提取數(shù)字的問題。然而當這個問題簡單到能用split解決時，我們可以使用正則表達式的另一特點，一步達到查找和解析功能。

　　圓括號()是正則表達式中的另一特殊字符。當我們添加圓括號至表達式中，在字符串的匹配過程中它們將被忽略，但是當你使用findall()時，圓括號表示你想整個正則表達式被匹配，但是你只抽取位于圓括號內(nèi)你感興趣的那部分字符串。

　　所以我們對程序修改如下：

import re
hand = open('mbox-short.txt')
for line in hand:
line = line.rstrip()
x = re.findall('^X-.*: ([0-9.]+)', line)
if len(x) > 0 :
print(x) 

　　我們在正則表達式中對匹配浮點數(shù)字部分添加圓括號，并且用findall()代替search()，返回我們想要的浮點數(shù)字部分。這個程序的輸出如下：

['0.8475']
['0.0000']
['0.6178']
['0.0000']
['0.6961']
['0.0000']
..

　　雖然這些在列表中的數(shù)字還需要從字符串轉(zhuǎn)換為浮點數(shù)，但是我們應(yīng)用正則表達式的能力同時查找和抽取了我們感興趣的的信息。

　　下面是使用這個技巧的另一個案例。如果你查看文件，你會發(fā)現(xiàn)有許多行是這樣的格式：

Details: http://source.sakaiproject.org/viewsvn/?view=rev&rev=39772

　　如果我們想用同樣的技巧抽取所有修訂號（行末尾的整數(shù)），我們可以這樣編寫代碼：

import re
hand = open('mbox-short.txt')
for line in hand:
line = line.rstrip()
x = re.findall('^Details:.*rev=([0-9]+)', line)
if len(x) > 0 :
print(x)

　　我們的正則表達式的是這樣的，以"Details:"開頭，之后可以是任意字符”.*"，然后是"rev="，最后是一個以上的數(shù)字。我們希望行是匹配整個正則表達式，但我們只需要圓括號中"[0-9]+"的數(shù)字。當我們運行程序時，將得到以下輸出：

['39772']
['39771']
['39770']
['39769']
...

　　記住，"[0-9]+"是貪婪的，它將嘗試抽取任何可能的數(shù)字，所以我們得到的每個字符串都有五個數(shù)字。正則表達式庫在行的開頭和結(jié)尾兩個方向進行擴展，只到它數(shù)到一個非數(shù)字的字符。

　　我們可以用正則表達式重做本書先前的一個練習。在這個練習中我們對每個郵件的時間感興趣，我們尋找的行的格式如下：

From stephen.marquard@uct.ac.za Sat Jan 5 09:14:16 2008

　　并且我們想抽取每一行中日期中的小時信息。先前我們通過兩次調(diào)用split實現(xiàn)。第一次我們將行分離成單詞，然后我們對第五個單詞基于冒號再次分離，拉出我們感興趣的兩個字符。

　　假定要查找的行是良好格式化的，那么只要想到少的代碼就可以實現(xiàn)。但是當你為確保程序中碰到不具備這樣格式而失效，而添加必要的錯誤檢驗（或者一個try/except塊）時，這個代碼將會膨脹到10-15行，并且難以讀懂。

　　我們可以用下面的正則表達式使工作更簡單：

^From .* [0-9][0-9]：

　　這個表達式的含義是以"From "開頭（注意空格），然后跟著任意個字符".*"，接著又是一個空格，然后是兩個數(shù)字"[0-9][0-9]"，再接著是一個冒號。我們要找的就是具備這樣格式的行。

　　為了在findall中只抽出表示小時的兩位數(shù)字，我們將表達式修改如下：

^From .* ([0-9][0-9])：

　最后這個程序是這樣的：

import re
hand = open('mbox-short.txt')
for line in hand:
line = line.rstrip()
x = re.findall('ˆFrom .* ([0-9][0-9]):', line)
if len(x) > 0 : 
print(x)

　　程序運行結(jié)果如下：

['09']
['18']
['16']
['15']
...

相關(guān)閱讀：

Python for Informatics 第11章 正則表達式(一)

Python for Informatics 第11章之正則表達式（二）

關(guān)于Python for Informatics 第11章之正則表達式（四）就給大家介紹到這里，希望對大家有所幫助。后續(xù)還會持續(xù)更新，更多精彩內(nèi)容敬請關(guān)注！

最新評論