python基础(三)——正则表达式

本文通过多个示例演示了如何使用Python中的正则表达式进行字符串匹配,涵盖了基本匹配、贪婪与非贪婪匹配、特殊字符及各种元字符的用法。
部署运行你感兴趣的模型镜像
import re
#匹配abc
m = re.findall("abc", "aabbccabccbaccbaaabcabc")
print(m)
#匹配一位数字,digit
m = re.findall("\d", "123abc1a2b3c1b2c3a")
print(m)
#匹配四位数字
m = re.findall("\d\d\d\d", "123abc1234ab12345c")
print(m)
#贪婪匹配
m = re.findall("<div>(.*)</div>", "<div>hello</div>")
print(m)
m = re.findall("<div>(.*)</div>",     "<div>hello</div><div>world</div>")
print(m)
#非贪婪匹配
m = re.findall("<div>(.*?)</div>",     "<div>hello</div><div>world</div>")
print(m)
#除换行符以外的所有字符
m = re.findall(".", "asdd\ndwjh\r")
print(m)
#转义字符
m = re.findall("\.", "a.c")
print(m)
#字符集,匹配中括号中任意一个字符
m = re.findall("a[bc]d", "abcdabdacdabbsdad")
print(m)
#数字
m = re.findall("\d", "abc1a2a32b")
print(m)
#非数字
m = re.findall("\D", "abc1a2a32b#")
print(m)
#空白字符
m = re.findall("\s", "abc a\na\r asd")
print(m)
#非空白字符
m = re.findall("\S", "abc a\na\r asd")
print(m)
#数字&字母
m = re.findall("\w", "ald!@n12\n1s\rk13")
print(m)
#非数字*字母
m = re.findall("\W", "ald!@n12\n1s\rk13")
print(m)
#匹配开头
m = re.findall("^abc", "abccbaabc")
print(m)
#匹配结尾
m = re.findall("cba$", "cbaabccba")
print(m)
#不区分大小写re.I
m = re.findall("abc", "AbcaBcabC", re.I)
print(m)
#匹配换行符&组合使用re.I
s = "<dIv>hello\nworld</DIV>"
m = re.findall(r"<div>(.*)</div>", s, re.S | re.I)
print(m)
#匹配多行
m = re.findall("^abc", "abc\nabc")
print(m)
m = re.findall("^abc", "abc\nabc", re.M)
print(m)
#匹配0或1个
m = re.findall("ab?", "abbbabbaaab")
print(m)
#匹配至少1个
m = re.findall("ab+", "abbbabbaaab")
print(m)
#匹配至少0个
m = re.findall("ab*", "abbbabbaaab")
print(m)
#实例:匹配邮箱
mail = "qq4786@qq.com"
m = re.findall("\w+@\w+\.com", mail)
print(m)
#先编译后使用
a = re.compile("\w+@\w+\.com")
m = a.findall("4786@qq.com")
n = a.findall("lir208@163.com")
print(m, n) 

输出结果:

['abc', 'abc', 'abc']
['1', '2', '3', '1', '2', '3', '1', '2', '3']
['1234', '1234']
['hello']
['hello</div><div>world']
['hello', 'world']
['a', 's', 'd', 'd', 'd', 'w', 'j', 'h', '\r']
['.']
['abd', 'acd']
['1', '2', '3', '2']
['a', 'b', 'c', 'a', 'a', 'b', '#']
[' ', '\n', '\r', ' ']
['a', 'b', 'c', 'a', 'a', 'a', 's', 'd']
['a', 'l', 'd', 'n', '1', '2', '1', 's', 'k', '1', '3']
['!', '@', '\n', '\r']
['abc']
['cba']
['Abc', 'aBc', 'abC']
['hello\nworld']
['abc']
['abc', 'abc']
['ab', 'ab', 'a', 'a', 'ab']
['abbb', 'abb', 'ab']
['abbb', 'abb', 'a', 'a', 'ab']
['qq4786@qq.com']
['4786@qq.com'] ['lir208@163.com']

您可能感兴趣的与本文相关的镜像

Python3.11

Python3.11

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值