感謝：https://www.jb51.net/article/212177.htm
更新時間：2021年05月13日 14:38:23 作者：神的孩子都在歌唱
這篇文章主要給大家介紹了關於如何使用python提取字符串中英文的相關資料,主要通過正則re中的sub函數、findall函數以及compile函數判斷來實現，需要的朋友可以參考下
前言
提取中英文是我們在做數據處理時候經常使用的，最高效的做法就是通過正則判斷了，下面是我寫的筆記，希望對你有用
一. re中的sub函數
使用Python 的re模塊，re模塊提供了re.sub用於替換字符串中的匹配項。
re.sub(pattern, repl, string, count=0)
參數說明：
- pattern：正則重的模式字符串
- repl：被拿來替換的字符串
- string：要被用於替換的原始字符串
- count：模式匹配后替換的最大次數，省略則默認為0，表示替換所有的匹配
1.1 提取中文
可以這樣想：我們可以通過將不是中文的字符替換為空不就可以了
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
)
輸出：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
)
輸出：helloHworld
|
1.3 提取數字
|
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
)
輸出：
123
|
二. re中的findall函數
在字符串中找到正則表達式所匹配的所有子串，並返回一個列表，如果沒有找到匹配的，則返回空列表。
語法格式為：
findall(string[, pos[, endpos]])
參數：
- string : 待匹配的字符串。
- pos : 可選參數，指定字符串的起始位置，默認為 0。
- endpos :可選參數，指定字符串的結束位置，默認為字符串的長度。 查找字符串中的所有數字：
擴展：正則中有match 和 search ，它們是是匹配一次，findall
匹配所有，具體了解可以到菜鳥教程查看
2.1 提取中文
2.2 提取英文
通俗寫法
|
1
2
3
4
5
6
7
8
9
10
|
import
string
#提供a-z的小寫字母
dd
=
"神的孩子hello在H唱歌,world"
#准備英文字符
temp
=
""
letters
=
string.ascii_lowercase
#包含a-z的小寫字母
for
word
in
dd:
#for循環取出單個詞
if
word.lower()
in
letters:
#判斷是否是英文
temp
+
=
word
#添加組成英文單詞
print
(temp)
輸出：helloHworld
|
正則
|
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)
輸出：helloHworld
|
2.3 提取數字
|
1
2
3
4
5
6
|
#0-9注意這個數字前面不能\,要不然他連，都給算上
import
re
dd
=
"神123的孩子hello在唱H歌。。,world"
result
=
'
'.join(re.findall(r'
[
0
-
9
]', dd))
print
(result)
輸出：
123
|
三. re中的compile函數
compile函數用於編譯正則表達式，生成一個正則表達式（ Pattern ）對象，供其他函數使用。
語法格式為：
re.compile(pattern[, flags])
參數：
pattern : 一個字符串形式的正則表達式
flags : 可選，表示匹配模式，比如忽略大小寫，多行模式等，具體參數為：
- re.I 忽略大小寫
- re.L 表示特殊字符集 \w, \W, \b, \B, \s, \S 依賴於當前環境
- re.M 多行模式
- re.S即為 . 並且包括換行符在內的任意字符（. 不包括換行符）
- re.U 表示特殊字符集 \w, \W, \b, \B, \d, \D, \s,\S 依賴於 Unicode 字符屬性數據庫
- re.X 為了增加可讀性，忽略空格和 # 后面的注釋
3.1 同時匹配中英文數字去除其他字符