注：以下文章原文來自于Dr Charles Severance 的 《Python for Informatics》

11.3 組合查詢和抽取

　　如果我們想以“X-”字符串開頭的行中找到數(shù)字，就像下面兩行字符串：

X-DSPAM-Confidence: 0.8475
X-DSPAM-Probability: 0.0000

　　但我們不只是要任意行中的任意浮點(diǎn)數(shù)，而是具備上面格式的行中的數(shù)字。

　　我們可以創(chuàng)建以下正則表達(dá)式來選擇這樣的行：

^X-.*: [0-9.]+

　　這個(gè)表達(dá)式的含義是以“X-”兩個(gè)字符開頭，后面跟了任意個(gè)字符“.*"，接著是一個(gè)冒號(hào)":"和空格" "，在空格之后呢是一個(gè)及以上的數(shù)字或小數(shù)點(diǎn)“[0-9.]+”。大家要注意的是方括號(hào)中的"[.]"不是匹配任何字符，而是匹配真正的"."，這與方括號(hào)外的"."要予以區(qū)分。

　　這是一個(gè)非常緊湊的表達(dá)式，它將非常匹配我們感興趣的行：

import rehand = open('mobx-short.txt')for line in hand:line = line.rstrip()if re.search('^X-.*: [0-9.]+', line)print(line) 

　　當(dāng)我們運(yùn)行這個(gè)程序，我們可以看到我們想要的數(shù)據(jù)被完美的過濾顯示。

X-DSPAM-Confidence: 0.8475
X-DSPAM-Probability: 0.0000
X-DSPAM-Confidence: 0.6178
X-DSPAM-Probability: 0.0000

　　但是我們必須使用split解決提取數(shù)字的問題。然而當(dāng)這個(gè)問題簡單到能用split解決時(shí)，我們可以使用正則表達(dá)式的另一特點(diǎn)，一步達(dá)到查找和解析功能。

　　圓括號(hào)()是正則表達(dá)式中的另一特殊字符。當(dāng)我們添加圓括號(hào)至表達(dá)式中，在字符串的匹配過程中它們將被忽略，但是當(dāng)你使用findall()時(shí)，圓括號(hào)表示你想整個(gè)正則表達(dá)式被匹配，但是你只抽取位于圓括號(hào)內(nèi)你感興趣的那部分字符串。

　　所以我們對(duì)程序修改如下：

import rehand = open('mbox-short.txt')for line in hand:line = line.rstrip()x = re.findall('^X-.*: ([0-9.]+)', line)if len(x) > 0 :print(x) 

　　我們?cè)谡齽t表達(dá)式中對(duì)匹配浮點(diǎn)數(shù)字部分添加圓括號(hào)，并且用findall()代替search()，返回我們想要的浮點(diǎn)數(shù)字部分。這個(gè)程序的輸出如下：

['0.8475']
['0.0000']
['0.6178']
['0.0000']
['0.6961']
['0.0000']
..

　　雖然這些在列表中的數(shù)字還需要從字符串轉(zhuǎn)換為浮點(diǎn)數(shù)，但是我們應(yīng)用正則表達(dá)式的能力同時(shí)查找和抽取了我們感興趣的的信息。

　　下面是使用這個(gè)技巧的另一個(gè)案例。如果你查看文件，你會(huì)發(fā)現(xiàn)有許多行是這樣的格式：

Details: http://source.sakaiproject.org/viewsvn/?view=rev&rev=39772

　　如果我們想用同樣的技巧抽取所有修訂號(hào)（行末尾的整數(shù)），我們可以這樣編寫代碼：

import rehand = open('mbox-short.txt')for line in hand:line = line.rstrip()x = re.findall('^Details:.*rev=([0-9]+)', line)if len(x) > 0 :print(x)

　　我們的正則表達(dá)式的是這樣的，以"Details:"開頭，之后可以是任意字符”.*"，然后是"rev="，最后是一個(gè)以上的數(shù)字。我們希望行是匹配整個(gè)正則表達(dá)式，但我們只需要圓括號(hào)中"[0-9]+"的數(shù)字。當(dāng)我們運(yùn)行程序時(shí)，將得到以下輸出：

['39772']
['39771']
['39770']
['39769']
...

　　記住，"[0-9]+"是貪婪的，它將嘗試抽取任何可能的數(shù)字，所以我們得到的每個(gè)字符串都有五個(gè)數(shù)字。正則表達(dá)式庫在行的開頭和結(jié)尾兩個(gè)方向進(jìn)行擴(kuò)展，只到它數(shù)到一個(gè)非數(shù)字的字符。

　　我們可以用正則表達(dá)式重做本書先前的一個(gè)練習(xí)。在這個(gè)練習(xí)中我們對(duì)每個(gè)郵件的時(shí)間感興趣，我們尋找的行的格式如下：

From stephen.marquard@uct.ac.za Sat Jan 5 09:14:16 2008

　　并且我們想抽取每一行中日期中的小時(shí)信息。先前我們通過兩次調(diào)用split實(shí)現(xiàn)。第一次我們將行分離成單詞，然后我們對(duì)第五個(gè)單詞基于冒號(hào)再次分離，拉出我們感興趣的兩個(gè)字符。

　　假定要查找的行是良好格式化的，那么只要想到少的代碼就可以實(shí)現(xiàn)。但是當(dāng)你為確保程序中碰到不具備這樣格式而失效，而添加必要的錯(cuò)誤檢驗(yàn)（或者一個(gè)try/except塊）時(shí)，這個(gè)代碼將會(huì)膨脹到10-15行，并且難以讀懂。

　　我們可以用下面的正則表達(dá)式使工作更簡單：

^From .* [0-9][0-9]：

　　這個(gè)表達(dá)式的含義是以"From "開頭（注意空格），然后跟著任意個(gè)字符".*"，接著又是一個(gè)空格，然后是兩個(gè)數(shù)字"[0-9][0-9]"，再接著是一個(gè)冒號(hào)。我們要找的就是具備這樣格式的行。

　　為了在findall中只抽出表示小時(shí)的兩位數(shù)字，我們將表達(dá)式修改如下：

^From .* ([0-9][0-9])：

　最后這個(gè)程序是這樣的：

import rehand = open('mbox-short.txt')for line in hand:line = line.rstrip()x = re.findall('ˆFrom .* ([0-9][0-9]):', line)if len(x) > 0 : print(x)

　　程序運(yùn)行結(jié)果如下：

['09']
['18']
['16']
['15']
...