Python for Informatics 第11章之正则表达式(四)


Posted in Python onApril 21, 2016

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

11.3 组合查询和抽取

如果我们想以“X-”字符串开头的行中找到数字,就像下面两行字符串:

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

但我们不只是要任意行中的任意浮点数,而是具备上面格式的行中的数字。

我们可以创建以下正则表达式来选择这样的行:

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

这个表达式的含义是以“X-”两个字符开头,后面跟了任意个字符“.*",接着是一个冒号":"和空格" ",在空格之后呢是一个及以上的数字或小数点“[0-9.]+”。大家要注意的是方括号中的"[.]"不是匹配任何字符,而是匹配真正的".",这与方括号外的"."要予以区分。

这是一个非常紧凑的表达式,它将非常匹配我们感兴趣的行:

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

当我们运行这个程序,我们可以看到我们想要的数据被完美的过滤显示。

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

但是我们必须使用split解决提取数字的问题。然而当这个问题简单到能用split解决时,我们可以使用正则表达式的另一特点,一步达到查找和解析功能。

圆括号()是正则表达式中的另一特殊字符。当我们添加圆括号至表达式中,在字符串的匹配过程中它们将被忽略,但是当你使用findall()时,圆括号表示你想整个正则表达式被匹配,但是你只抽取位于圆括号内你感兴趣的那部分字符串。

所以我们对程序修改如下:

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)

我们在正则表达式中对匹配浮点数字部分添加圆括号,并且用findall()代替search(),返回我们想要的浮点数字部分。这个程序的输出如下:

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

虽然这些在列表中的数字还需要从字符串转换为浮点数,但是我们应用正则表达式的能力同时查找和抽取了我们感兴趣的的信息。

下面是使用这个技巧的另一个案例。如果你查看文件,你会发现有许多行是这样的格式:

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

如果我们想用同样的技巧抽取所有修订号(行末尾的整数),我们可以这样编写代码:

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)

我们的正则表达式的是这样的,以"Details:"开头,之后可以是任意字符”.*",然后是"rev=",最后是一个以上的数字。我们希望行是匹配整个正则表达式,但我们只需要圆括号中"[0-9]+"的数字。当我们运行程序时,将得到以下输出:

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

记住,"[0-9]+"是贪婪的,它将尝试抽取任何可能的数字,所以我们得到的每个字符串都有五个数字。正则表达式库在行的开头和结尾两个方向进行扩展,只到它数到一个非数字的字符。

我们可以用正则表达式重做本书先前的一个练习。在这个练习中我们对每个邮件的时间感兴趣,我们寻找的行的格式如下:

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

并且我们想抽取每一行中日期中的小时信息。先前我们通过两次调用split实现。第一次我们将行分离成单词,然后我们对第五个单词基于冒号再次分离,拉出我们感兴趣的两个字符。

假定要查找的行是良好格式化的,那么只要想到少的代码就可以实现。但是当你为确保程序中碰到不具备这样格式而失效,而添加必要的错误检验(或者一个try/except块)时,这个代码将会膨胀到10-15行,并且难以读懂。

我们可以用下面的正则表达式使工作更简单:

^From .* [0-9][0-9]:

这个表达式的含义是以"From "开头(注意空格),然后跟着任意个字符".*",接着又是一个空格,然后是两个数字"[0-9][0-9]",再接着是一个冒号。我们要找的就是具备这样格式的行。

为了在findall中只抽出表示小时的两位数字,我们将表达式修改如下:

^From .* ([0-9][0-9]):

 最后这个程序是这样的:

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)

程序运行结果如下:

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

相关阅读:

关于Python for Informatics 第11章之正则表达式(四)就给大家介绍到这里,希望对大家有所帮助。后续还会持续更新,更多精彩内容敬请关注!

Python 相关文章推荐
Python 代码性能优化技巧分享
Aug 07 Python
10种检测Python程序运行时间、CPU和内存占用的方法
Apr 01 Python
Python字符串拼接六种方法介绍
Dec 18 Python
详解Python locals()的陷阱
Mar 26 Python
django ModelForm修改显示缩略图 imagefield类型的实例
Jul 28 Python
python配置文件写入过程详解
Oct 19 Python
10行Python代码计算汽车数量的实现方法
Oct 23 Python
Python GUI库PyQt5样式QSS子控件介绍
Feb 25 Python
基于打开pycharm有带图片md文件卡死问题的解决
Apr 24 Python
python爬虫中url管理器去重操作实例
Nov 30 Python
selenium携带cookies模拟登陆CSDN的实现
Jan 19 Python
Python中super().__init__()测试以及理解
Dec 06 Python
Python for Informatics 第11章之正则表达式(二)
Apr 21 #Python
Python for Informatics 第11章 正则表达式(一)
Apr 21 #Python
编写Python爬虫抓取暴走漫画上gif图片的实例分享
Apr 20 #Python
Ruby使用eventmachine为HTTP服务器添加文件下载功能
Apr 20 #Python
Python实现HTTP协议下的文件下载方法总结
Apr 20 #Python
详解Python命令行解析工具Argparse
Apr 20 #Python
利用Python如何生成随机密码
Apr 20 #Python
You might like
咖啡产品发展的三大浪潮
2021/03/04 咖啡文化
一致性哈希算法以及其PHP实现详细解析
2013/08/24 PHP
PHP输出英文时间日期的安全方法(RFC 1123格式)
2014/06/13 PHP
PHP创建单例后台进程的方法示例
2017/05/23 PHP
Jquery中增加参数与Json转换代码
2009/11/20 Javascript
Mac地址验证的javascript代码
2013/11/09 Javascript
Jquery EasyUI中弹出确认对话框以及加载效果示例代码
2014/02/13 Javascript
Javascript中Array.prototype.map()详解
2014/10/22 Javascript
AngularJS + Node.js + MongoDB开发的基于高德地图位置的通讯录
2015/01/02 Javascript
JavaScript实现文本框中默认显示背景图片在获得焦点后消失的方法
2015/07/01 Javascript
初识Javascript小结
2015/07/16 Javascript
Jquery常用的方法汇总
2015/09/01 Javascript
全面解析Bootstrap手风琴效果
2020/04/17 Javascript
Javascript基础之数组的使用
2016/05/13 Javascript
js获取所有checkbox的值的简单实例
2016/05/30 Javascript
jQuery用noConflict代替$的实现方法
2017/04/12 jQuery
巧用weui.topTips验证数据的实例
2017/04/17 Javascript
Angular.JS内置服务$http对数据库的增删改使用教程
2017/05/07 Javascript
Vue按需加载的具体实现
2017/12/02 Javascript
详解NODEJS的http实现
2018/01/04 NodeJs
js实现选项卡效果
2020/03/07 Javascript
Nuxt的路由配置和参数传递方式
2020/11/06 Javascript
[05:14]辉夜杯主赛事第二日 RECAP精彩回顾
2015/12/27 DOTA
采用Psyco实现python执行速度提高到与编译语言一样的水平
2014/10/11 Python
linux环境下的python安装过程图解(含setuptools)
2017/11/22 Python
python用match()函数爬数据方法详解
2019/07/23 Python
python实现简单银行管理系统
2019/10/25 Python
Python tkinter实现图片标注功能(完整代码)
2019/12/08 Python
使用PyTorch将文件夹下的图片分为训练集和验证集实例
2020/01/08 Python
解决pymysql cursor.fetchall() 获取不到数据的问题
2020/05/15 Python
用python对oracle进行简单性能测试
2020/12/05 Python
3种方式实现瀑布流布局小结
2019/09/05 HTML / CSS
香蕉共和国工厂店:Banana Republic Factory
2018/06/09 全球购物
医院护士求职自荐信格式
2013/09/21 职场文书
信仰观后感
2015/06/03 职场文书
Python使用pandas导入csv文件内容的示例代码
2022/12/24 Python