python正则表达之re.sub函数

在做网页爬虫或者数据清理时，经常需要对文本进行替换操作，一般会使用string自带的replace函数进行简单的文本替换，但是遇到复杂的替换，使用replace函数可能很难实现。而re.sub是相对复杂点的替换，主要用于替换字符串中的匹配项，可以采用正则表达的方式进行匹配替换，替换形式更灵活。

re.sub函数参数含义

re.sub(pattern, repl, string, count=0, flags=0)
"""
:param pattern: 可以是一个字符串，也可以是一个正则，用于匹配要替换的字符，如果不写，字符串不做修改。\g<1> 代表前面pattern里面第一个分组，可以简写为\1，\g<0>代表前面pattern匹配到的所有字符串。
:param repl: 就是replacement，表示被替换的值，可以是字符串，也可以是函数。如果是一个字符串，反斜杠会被处理为逃逸字符，如\n会被替换为换行等；如果是一个函数，每一个被匹配到的字段串执行替换函数。
:param string: 表示要被处理和替换的原始字符串
:param count: 可选参数，表示是要替换的最大次数，而且必须是非负整数，该参数默认为0，即所有的匹配都会被替换；
:param flags: 可选参数，表示编译时用的匹配模式（如忽略大小写、多行模式等），数字形式，默认为0。
"""

示例

1. 匹配汉字

   import re
   
   s = 'today，黄河之水天上来，hello world，奔流到海不复回'
   r = re.sub('[\u4e00-\u9fa5]', '*', s)
   print(r)
   
   >>> today，*******，hello world，*******
   

2. 分组的妙用

   import re
   
   s = 'hello sherry, nihao sherry'
   # \1代表第一个分组的值即sherry,因为有两个sherry,所以用\1可以指代第二个，这样整个字符串被emma替换
   r = re.sub(r'hello (\w+), nihao \1', r'emma', s)
   print(r)
   
   >>> emma
   

3. 使用分组调整日期格式

   import re
   
   s = '2022-09-11'
   r = re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\2-\3-\1', s)
   # r = re.sub(r'(\d{4})-(\d{2})-(\d{2})', r'\g<2>-\g<3>-\g<1>', s)
   print(r)
   
   >>> 09-11-2022
   

4. 数字替换成中文

   import re
   
   
   def replace_num(text: str):
       num_dict = {'0': '〇', '1': '一', '2': '二', '3': '三', '4': '四', '5': '五', '6': '六', '7': '七', '8': '八', '9': '九'}
       return num_dict.get(text.group(), None)
   
   
   if __name__ == '__main__':
       s = '2022年09月11日'
       r = re.sub(r'(\d)', replace_num, s)
       print(r)
   
   >>> 二〇二二年〇九月一一日
   

5. 剔除匹配的部分内容

   import re
   
   s = '1x123-2c113-4x456'
   # 用匹配到的(\w+)替换匹配到的(\d+)(\w+)，分组1为(\d+)，简写\1，分组2为(\w+)，简写\2
   r = re.sub(r'(\d+)(\w+)', r'\2', s)
   print(r)
   
   >>> x123-c113-x456