27、正则表达式与文本分析：从基础到实战

正则表达式与文本分析：从基础到实战

1. 正则表达式基础

在处理文本时，我们常常需要匹配特定的模式。为了更精准地匹配，我们可以使用不同类型的元字符，比如用于匹配单词边界的元字符。

1.1 锚点和边界

有时候，我们希望匹配字符之前、之后或之间的位置。例如，定位字符串的开头或结尾，这被称为锚点；定位单词的开头或结尾，则被称为边界。元字符 \b 表示单词的边界，它长度为 0，能匹配模式边界上的空白字符或标点符号。

以下是一个例子，使用 \b 来修正社会安全号码（SSN）的正则表达式：

import re
# 未使用 \b 的正则表达式
regex1 = r'\d\d\d-\d\d-\d\d\d'
text1 = 'My other number is 6382-13-38420.'
matches1 = re.findall(regex1, text1)
print(matches1)

# 使用 \b 的正则表达式
regex2 = r'\b\d\d\d-\d\d-\d\d\d\d\b'
text2 = 'My reeeal number is 382-13-3842.'
matches2 = re.findall(regex2, text2)
print(matches2)

1.2 转义元字符

我们已经了解了一些特殊字符，即元字符，如 [ 和 ] 表示字符类， ^ 用于切换到否定字符类