感谢：https://www.jb51.net/article/212177.htm
更新时间：2021年05月13日 14:38:23 作者：神的孩子都在歌唱
这篇文章主要给大家介绍了关于如何使用python提取字符串中英文的相关资料,主要通过正则re中的sub函数、findall函数以及compile函数判断来实现，需要的朋友可以参考下
前言
提取中英文是我们在做数据处理时候经常使用的，最高效的做法就是通过正则判断了，下面是我写的笔记，希望对你有用
一. re中的sub函数
使用Python 的re模块，re模块提供了re.sub用于替换字符串中的匹配项。
re.sub(pattern, repl, string, count=0)
参数说明：
- pattern：正则重的模式字符串
- repl：被拿来替换的字符串
- string：要被用于替换的原始字符串
- count：模式匹配后替换的最大次数，省略则默认为0，表示替换所有的匹配
1.1 提取中文
可以这样想：我们可以通过将不是中文的字符替换为空不就可以了
例如
|
1
2
3
4
5
|
import
re
str
=
"重出江湖hello的地H方。。的,world"
str
=
re.sub(
"[A-Za-z0-9\,\。]"
, "",
str
)
print
(
str
)
输出：神的孩子在唱歌
|
1.2 提取英文
|
1
2
3
4
5
|
import
re
str
=
"重123出江湖hello的地H方。。的,world"
str
=
re.sub(
"[\u4e00-\u9fa5\0-9\,\。]"
, "",
str
)
print
(
str
)
输出：helloHworld
|
1.3 提取数字
|
1
2
3
4
5
|
import
re
str
=
"重123出江湖hello的地H方。。的,world"
str
=
re.sub(
"[A-Za-z\u4e00-\u9fa5\,\。]"
, "",
str
)
print
(
str
)
输出：
123
|
二. re中的findall函数
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。
语法格式为：
findall(string[, pos[, endpos]])
参数：
- string : 待匹配的字符串。
- pos : 可选参数，指定字符串的起始位置，默认为 0。
- endpos :可选参数，指定字符串的结束位置，默认为字符串的长度。 查找字符串中的所有数字：
扩展：正则中有match 和 search ，它们是是匹配一次，findall
匹配所有，具体了解可以到菜鸟教程查看
2.1 提取中文
2.2 提取英文
通俗写法
|
1
2
3
4
5
6
7
8
9
10
|
import
string
#提供a-z的小写字母
dd
=
"神的孩子hello在H唱歌,world"
#准备英文字符
temp
=
""
letters
=
string.ascii_lowercase
#包含a-z的小写字母
for
word
in
dd:
#for循环取出单个词
if
word.lower()
in
letters:
#判断是否是英文
temp
+
=
word
#添加组成英文单词
print
(temp)
输出：helloHworld
|
正则
|
1
2
3
4
5
6
|
#A-Za-z
import
re
dd
=
"重出123江湖hello的地方的,world"
result
=
'
'.join(re.findall(r'
[A
-
Za
-
z]', dd))
print
(result)
输出：helloHworld
|
2.3 提取数字
|
1
2
3
4
5
6
|
#0-9注意这个数字前面不能\,要不然他连，都给算上
import
re
dd
=
"神123的孩子hello在唱H歌。。,world"
result
=
'
'.join(re.findall(r'
[
0
-
9
]', dd))
print
(result)
输出：
123
|
三. re中的compile函数
compile函数用于编译正则表达式，生成一个正则表达式（ Pattern ）对象，供其他函数使用。
语法格式为：
re.compile(pattern[, flags])
参数：
pattern : 一个字符串形式的正则表达式
flags : 可选，表示匹配模式，比如忽略大小写，多行模式等，具体参数为：
- re.I 忽略大小写
- re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依赖于当前环境
- re.M 多行模式
- re.S即为 . 并且包括换行符在内的任意字符（. 不包括换行符）
- re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s,\S 依赖于 Unicode 字符属性数据库
- re.X 为了增加可读性，忽略空格和 # 后面的注释
3.1 同时匹配中英文数字去除其他字符