Python 基础 —— re：正则表达

• 去除所有的 html 标签

  re.compile(r'<[^>]+>').sub('', html)                            # sub：表示 substitute，替换

• 去除所有的非字母

  re.sub('[^a-zA-Z]', ' ', text)

1. re.search(re, str)：寻找符合正则的子串本身

我们要移除如下字符串中的数字：

>>> raw = 'Toy Story (1995)'

（已知数字仅出现在最右侧，表达电影的年份）

>>> grps = re.search('\((\w+)\)', raw)>>> grps<_sre.SRE_Match object at 0x01A19960>

如果此时未在字符串中找到字符匹配，re.search() 的返回为 NoneType 对象，对 NoneType 对象进行任何操作，显然都是非法的。所以一定要对 re.search() 的返回值做判断：

>>> if grps:...     raw[:grps.start()].strip()...'Toy Story'

3. 切分文本

import rere.compile('\\W*').split(sentences)

• （1）\W：非字符
• （2）\\W：第一个斜线表示转义；

我们可以再加一些额外的判断逻辑（或叫断言，predicate）以屏蔽那些非单词。

[word.lower() for word in re.compile('\\W*').split(sentences) if len(word) > 2 and len(word) < 20]

4. re.findall 指定长度切分

>> s = 'abcdef'>> re.findall('.{3}', s)['abc', 'def']

当要切分的对象其长度不满足于切片的倍数时：

>> s = 'abcdefgh'>> re.findall('.{3}', s) ['abc', 'def']

将会把末尾的部分舍去；