常用python文本处理函数

python函数

# 去空格及特殊符号  
en_str.strip().lstrip().rstrip(',') 

# 字符串替换
en_str.replace('hello', 'hi')

# 删除
zh_str.strip().replace('大家好，', '')

# 通过join的方式连接
"，".join(strs)
或者
str1+str2


# 通过split的方式切分
tmp_str.split("；")

# 以字母序排列，注意是以返回值形态返回排序结果，不改变原list
sorted(en_strs)

sorted(en_strs, key=lambda x:x[2].lower())


# 查找可以用index和find
zh_str.index("陆超")   # 第一个index

zh_str.find("来了老弟")   # 返回-1，不会报错

# 大小写与其他变化
en_str.title()

a = en_str.translate(en_str)

en_str.lower().upper()

en_str.capitalize()  # capitalize

函数帮助（help(func)）

正则表达式

正则表达式是处理字符串的强大工具，拥有独特的语法和独立的处理引擎。 http://regexr.com/

https://alf.nu/RegexGolf 练习地址

re模块

# encoding: UTF-8
import re
 
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'hello.*\!')
 
# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None
match = pattern.match('hello, hanxiaoyang! How are you?')
# match从头开始匹配
 
if match:
    # 使用Match获得分组信息
    print match.group()

​ re.compile('pattern', re.I | re.M) ：re.I(re.IGNORECASE): 忽略大小写（括号内是完整写法，下同） re.M(MULTILINE): 多行模式，改变'^'和'$'的行为。

​ Match对象是一次匹配的结果，包含了很多关于此次匹配的信息，可以使用Match提供的可读属性或方法来获取这些信息

re.match

​ Pattern对象是一个编译好的正则表达式，通过Pattern提供的一系列方法可以对文本进行匹配查找。

​ Pattern不能直接实例化，必须使用re.compile()进行构造。

# Pattern提供了几个可读属性用于获取表达式的相关信息：
#   pattern: 编译时用的表达式字符串。
#   flags: 编译时用的匹配模式。数字形式。
#   groups: 表达式中分组的数量。
#   groupindex: 以表达式中有别名的组的别名为键、以该组对应的编号为值的字典，没有别名的组不包含在内。

# re.S(DOTALL): 点任意匹配模式
re.compile(r'(\w+) (\w+)(?P<sign>.*)', re.DOTALL)

使用pattern

1. match(string[, pos[, endpos]]) | re.match(pattern, string[, flags]):

   这个方法将从string的pos下标处起尝试匹配pattern

• 如果pattern结束时仍可匹配，则返回一个Match对象
• 如果匹配过程中pattern无法匹配，或者匹配未结束就已到达endpos，则返回None。
• pos和endpos的默认值分别为0和len(string)。 注意：这个方法并不是完全匹配。当pattern结束时若string还有剩余字符，仍然视为成功。想要完全匹配，可以在表达式末尾加上边界匹配符'$'。

2. search(string[, pos[, endpos]]) | re.search(pattern, string[, flags]):

   这个方法从string的pos下标处起尝试匹配pattern

3. sub(repl, string[, count]) | re.sub(pattern, repl, string[, count]):

   • 使用repl替换string中每一个匹配的子串后返回替换后的字符串。
     • 当repl是一个字符串时，可以使用、，但不能使用编号0。
     • 当repl是一个方法时，这个方法应当只接受一个参数（Match对象），并返回一个字符串用于替换（返回的字符串中不能再引用分组）。 count用于指定最多替换次数，不指定时全部替换。

4. split(string[, maxsplit]) | re.split(pattern, string[, maxsplit]): 按照能够匹配的子串将string分割后返回列表。maxsplit 用于指定最大分割次数，不指定将全部分割。

p = re.compile(r'\d+')
print(p.split('one1two2three3four4'))

5. findall(string[, pos[, endpos]]) | re.findall(pattern, string[, flags]): 搜索string，以列表形式返回全部能匹配的子串。

p = re.compile(r'\d+')
print(p.findall('one1two2three3four4')

6. finditer(string[, pos[, endpos]]) | re.finditer(pattern, string[, flags]): 搜索string，返回一个顺序访问每一个匹配结果（Match对象）的迭代器。

p = re.compile(r'\d+')
for m in p.finditer('one1two2three3four4'):
	print(m.group())

7. subn(repl, string[, count]) |re.subn(pattern, repl, string[, count]):

   返回 (sub(repl, string[, count]), 替换次数)。

p = re.compile(r'(\w+) (\w+)')
s = 'i say, hello world!'
 
print(p.subn(r'\2 \1', s))
 
def func(m):
    return m.group(1).title() + ' ' + m.group(2).title()
 
print(p.subn(func, s))

词条和解释抽取

# 引入爬虫工具库
import requests as rq
import re

# 发送请求
page = rq.get("https://baike.sogou.com/v231013.htm")

# 返回状态码正常
page.status_code

# 词条正则表达式抽取
title_pattern = re.compile(r'<h1 id="title".*?>(.*?)</h1>') 
title = title_pattern.search(page.text) 
print(title.group(1))

# 词条正则表达式抽取
content_pattern = re.compile(r'<p>(.*?)<\\/p>') 
contents = content_pattern.findall(page.text) 
print(contents)


list(map(lambda x:re.sub("<a .*?>|<\\\/[ab]>", "",x), contents))