引言
正则表达式是一种强大的文本处理工具，在Python编程中有着广泛的应用。特别是在数据提取和清洗方面，正则表达式能够帮助我们快速准确地从大量文本中获取所需信息。本文将深入探讨Python中正则表达式的捕获技巧，帮助读者轻松掌握数据提取的艺术。
正则表达式基础
在Python中，正则表达式通过re模块实现。re模块提供了一系列用于操作正则表达式的函数，如re.search()、re.findall()、re.sub()等。
正则表达式语法
正则表达式由普通字符和特殊字符（元字符）组成。以下是一些常见的元字符：
.：匹配除换行符以外的任意字符。[]：匹配括号内的任意一个字符。[^]：匹配不在括号内的任意一个字符。*：匹配前面的子表达式零次或多次。+：匹配前面的子表达式一次或多次。?：匹配前面的子表达式零次或一次。{n}：匹配前面的子表达式恰好n次。{n,}：匹配前面的子表达式至少n次。{n,m}：匹配前面的子表达式至少n次，但不超过m次。
捕获组
正则表达式中的捕获组允许我们提取匹配的子字符串。捕获组通过圆括号()表示，并可以使用以下方式引用：
\1：引用第一个捕获组。\2：引用第二个捕获组。- …：以此类推。
捕获技巧
1. 基本捕获
以下是一个基本捕获的例子：
import re
text = "我的邮箱是example@example.com，手机号是13812345678。"
pattern = r"(\w+@\w+\.\w+)|(\d{11})"
matches = re.findall(pattern, text)
for match in matches:
print(match)
输出：
('example@example.com', '13812345678')
在这个例子中，我们使用两个捕获组分别匹配邮箱地址和手机号。
2. 贪婪与非贪婪匹配
默认情况下，正则表达式采用贪婪匹配模式，即尽可能多地匹配字符。非贪婪匹配模式可以通过在量词后面添加?来实现。
以下是一个贪婪匹配和非贪婪匹配的例子：
import re
text = "这个字符串包含多个匹配：12345、67890、1234567890。"
pattern = r"(\d+)"
matches = re.findall(pattern, text)
print(matches) # 贪婪匹配
print(matches) # 非贪婪匹配
输出：
['12345', '67890', '1234567890']
['12345', '67890', '12345']
3. 回溯引用
回溯引用允许我们在正则表达式中引用之前匹配的子字符串。
以下是一个回溯引用的例子：
import re
text = "这是一个重复的字符串：abcabcabc。"
pattern = r"(\w+)\1"
matches = re.findall(pattern, text)
print(matches)
输出：
['abcabc', 'abcabc']
在这个例子中，我们使用\1引用第一个捕获组匹配的字符串。
实战案例
1. 提取网页中的图片地址
以下是一个提取网页中图片地址的例子：
import re
html = """
<html>
<head><title>示例网页</title></head>
<body>
<p>这是一张图片：<img src="image1.jpg" alt="图片1"></p>
<p>这是另一张图片：<img src="image2.png" alt="图片2"></p>
</body>
</html>
"""
pattern = r"<img\s+[^>]*src=['\"]?([^'\"]+)['\"]?[^>]*>"
matches = re.findall(pattern, html)
print(matches)
输出：
['image1.jpg', 'image2.png']
在这个例子中，我们使用正则表达式匹配<img>标签的src属性，并提取图片地址。
2. 清洗电话号码
以下是一个清洗电话号码的例子：
import re
text = "这个电话号码是：+86-13812345678。"
pattern = r"\+?86-?\s?(\d{11})"
matches = re.findall(pattern, text)
print(matches)
输出：
['13812345678']
在这个例子中，我们使用正则表达式匹配电话号码，并去除其中的特殊字符和空格。
总结
正则表达式在Python中的捕获技巧可以帮助我们轻松地提取所需数据。通过掌握基本语法、捕获组和实战案例，我们可以更好地利用正则表达式进行数据提取和清洗。在实际应用中，不断练习和积累经验，将使我们在数据处理方面更加得心应手。