Python提取数字的实用技巧

哈喽！大家好，很高兴又见面了，我是golang学习网的一名作者，今天由我给大家带来一篇《Python正则提取数字的实用方法》，本文主要会讲到等等知识点，希望大家一起学习进步，也欢迎大家关注、点赞、收藏、转发! 下面就一起来看看吧！

使用re模块结合正则表达式可精确提取文本中的整数、浮点数、负数及带符号或单位的数字，通过r'[-+]?\d+(?:.\d+)?'等模式匹配，并用findall或search配合捕获组提取所需部分，再转换为数值类型进行处理。

在Python里，要从文本中抓取数字，最直接、也最灵活的工具就是re模块，也就是正则表达式。它能帮你根据预设的模式，把字符串里所有符合条件的数字都找出来。这比你手动去遍历字符串、判断每个字符是不是数字要高效和优雅得多，尤其是在处理复杂文本时。

解决方案

使用Python的re模块提取数字，通常我们会用到re.findall()函数。这个函数会返回一个列表，包含所有匹配到的非重叠字符串。

最基础的数字模式是\d+，它能匹配一个或多个数字字符（0-9）。但实际情况往往更复杂，数字可能包含小数点、正负号，或者混杂在其他文本中。

import re

text1 = "我有100个苹果和20.5公斤的香蕉，还有-5个坏梨。"
text2 = "订单号是123456789，总价为999.99元。"
text3 = "我的身高是175cm，体重是68.3kg。"

# 1. 提取整数
# 模式：\d+ 匹配一个或多个数字
integers = re.findall(r'\d+', text1)
print(f"提取整数 (text1): {integers}") # ['100', '20', '5'] - 注意这里会把20.5的20和5分开

# 2. 提取浮点数和整数（更通用的数字模式）
# 模式：\d+\.\d* 或者 \d*\.\d+ 或者更通用的 \d+\.?\d*
# 考虑到数字可能带小数点，我们用 \d+\.?\d* 来匹配，它会匹配至少一个数字，
# 后面可选地跟着一个小数点，再后面可选地跟着零个或多个数字。
# 这样可以匹配 "100", "20.5", "5." (虽然实际中"5."不常见，但模式会匹配)
numbers_general = re.findall(r'\d+\.?\d*', text1)
print(f"提取通用数字 (text1): {numbers_general}") # ['100', '20.5', '5']

# 3. 提取带正负号的数字
# 模式：[-+]?\d+\.?\d* 匹配可选的正负号，然后是通用数字模式
signed_numbers = re.findall(r'[-+]?\d+\.?\d*', text1)
print(f"提取带符号数字 (text1): {signed_numbers}") # ['100', '20.5', '-5']

# 4. 结合实际场景，提取特定格式的数字
# 比如从"订单号是123456789"中提取订单号
order_id_match = re.search(r'订单号是(\d+)', text2)
if order_id_match:
    print(f"提取订单号 (text2): {order_id_match.group(1)}") # group(1) 获取括号内的内容

# 5. 提取带有单位的数字，但只保留数字部分
# 比如从"175cm"中提取175
height_match = re.search(r'(\d+\.?\d*)cm', text3)
if height_match:
    print(f"提取身高数字 (text3): {height_match.group(1)}") # '175'

说实话，正则表达式这东西，初看会觉得有点像天书，但一旦你掌握了几个核心元字符和量词，它在文本处理上的能力会让你大呼过瘾。上面这些模式，基本能覆盖你日常提取数字的大部分需求了。

如何在复杂文本中精确提取各类数字，包括整数、浮点数和负数？

在真实世界的文本里，数字的形态是多种多样的，比如可能夹杂着单位，或者用逗号做千位分隔符。要精确提取，我们就得构建更精细的正则表达式。这就像给一个模糊的目标画出清晰的轮廓。

一个比较全面的数字匹配模式，可以考虑以下几点：

1. 正负号: 数字前面可能有+或-。用[-+]?来匹配可选的正负号。
2. 整数部分: 至少一个数字。\d+。
3. 小数部分: 小数点是可选的，后面可以跟零个或多个数字。\.?\d*。
4. 组合: 将上述部分组合起来，得到[-+]?\d+\.?\d*。这个模式能捕获像 "123", "12.3", "-45", "+6.78" 这样的数字。

但如果你想更严谨地匹配浮点数，比如确保小数点后有数字，或者小数点前有数字，可以调整为：

• [-+]?\d+\.\d+: 匹配 "12.3", "-4.5"，但不匹配 "12" 或 "0.5"。
• [-+]?(?:\d+\.\d*|\d*\.\d+): 匹配 "12.3", "0.5", "12." (如果允许)，但不匹配 "12"。
• 我个人更倾向于使用[-+]?\d+(?:\.\d+)?。这个模式是说：可选的正负号，接着至少一个数字，然后是一个非捕获组(?:\.\d+)?，这个组表示可选地匹配一个小数点和至少一个数字。这样既能匹配整数，也能匹配像 "12.3" 这样的浮点数，而且不会匹配单独的 "." 或者 "12." 这种可能不是你想要的浮点数。

import re

complex_text = "今天的气温是-5.5℃，昨天下雨量是20mm，预计明天股价上涨1.23%，订单总额达到1,234,567.89元。"

# 提取所有看起来像数字的字符串
# 使用我偏好的模式：可选正负号，至少一个数字，可选的小数点和至少一个数字
all_numbers_str = re.findall(r'[-+]?\d+(?:\.\d+)?', complex_text)
print(f"从复杂文本中提取的数字字符串: {all_numbers_str}")
# 输出: ['-5.5', '20', '1.23', '1', '234', '567.89']
# 注意：这里会把 "1,234,567.89" 拆分成 "1", "234", "567.89"

# 如果要处理千位分隔符，模式需要更复杂一些
# 匹配可能带逗号的整数或浮点数
# 这里我用一个稍微激进的模式：允许数字之间有逗号，但逗号后必须跟三位数字
# 并且整个数字可以有可选的小数部分
numbers_with_commas = re.findall(r'[-+]?\d{1,3}(?:,\d{3})*(?:\.\d+)?', complex_text)
print(f"处理千位分隔符后的数字字符串: {numbers_with_commas}")
# 输出: ['-5.5', '20', '1.23', '1,234,567.89']
# 这个模式就精确多了，成功地将 "1,234,567.89" 作为一个整体提取出来。

# 这种精细化的匹配，需要你对可能出现的数字格式有清晰的预期。
# 比如，如果数字后面总是跟着单位，而你只想要数字，可以用捕获组：
temperature_match = re.search(r'([-+]?\d+(?:\.\d+)?)℃', complex_text)
if temperature_match:
    print(f"提取气温数字: {temperature_match.group(1)}") # '-5.5'

这里面的关键在于?（0次或1次）、+（1次或多次）、*（0次或多次）这些量词，以及()捕获组和(?:)非捕获组的灵活运用。构建正确的模式，就像是给你的文本数据量身定制一把钥匙。

提取到的数字是字符串，如何将其转换为数值类型进行后续处理？

re.findall()返回的，或者match.group()捕获到的，都是字符串类型。这很合理，因为正则表达式本身就是处理字符串的。但我们通常提取数字是为了进行计算、比较或者其他数值操作，所以下一步往往就是把它们转换成int（整数）或float（浮点数）。

这个转换过程相对直观，Python提供了内置的int()和float()函数。不过，有几个小细节值得注意：

1. 类型选择: 如果你的数字可能包含小数，那就用float()。如果确定都是整数，用int()会更合适。
2. 错误处理: 虽然你的正则表达式应该已经过滤掉了非数字字符，但万一有意外，比如匹配到了一个空字符串或者一个不完全的数字，int()或float()转换时可能会抛出ValueError。在实际项目中，你可能需要用try-except块来处理这种情况，或者确保你的正则表达式足够健壮。
3. 批量转换: 如果re.findall()返回了一个数字字符串列表，你可以用列表推导式（list comprehension）或者map()函数来高效地批量转换。

import re

text = "价格是100元，折扣后是85.5折，会员价-10元。库存量：500000。"

# 提取所有可能带符号的浮点数或整数
# 这里我们用一个比较通用的模式，能抓取到大部分我们想要的数字形态
# 考虑到可能有千位分隔符，我们先不直接处理，在转换时再去除
numbers_as_strings = re.findall(r'[-+]?\d+(?:,\d{3})*(?:\.\d+)?', text)
print(f"原始提取的数字字符串: {numbers_as_strings}")
# 输出: ['100', '85.5', '-10', '500,000']

# 转换为数值类型
converted_numbers = []
for num_str in numbers_as_strings:
    # 在转换前，先去除千位分隔符，否则float()或int()会报错
    cleaned_num_str = num_str.replace(',', '')
    try:
        if '.' in cleaned_num_str:
            converted_numbers.append(float(cleaned_num_str))
        else:
            converted_numbers.append(int(cleaned_num_str))
    except ValueError:
        print(f"警告: 无法将 '{num_str}' 转换为数值类型，已跳过。")
        # 实际项目中，你可能需要更复杂的错误处理逻辑

print(f"转换后的数值列表: {converted_numbers}")
# 输出: [100, 85.5, -10, 500000]

# 使用列表推导式和map()的简洁方式
# 假设我们已经确保了字符串都是干净的数字（无逗号）
cleaned_numbers_str = [s.replace(',', '') for s in numbers_as_strings]
float_numbers = [float(s) for s in cleaned_numbers_str if '.' in s]
int_numbers = [int(s) for s in cleaned_numbers_str if '.' not in s]

print(f"浮点数列表 (通过推导式): {float_numbers}")
print(f"整数列表 (通过推导式): {int_numbers}")

# 如果你知道所有数字都可能是浮点数，直接用map
all_as_floats = list(map(float, cleaned_numbers_str))
print(f"所有数字转换为浮点数 (通过map): {all_as_floats}")

这块的重点是replace(',', '')这一步，它是在将字符串转换为数值类型前，处理掉那些可能导致转换失败的非数字字符（比如千位分隔符）。这体现了数据清洗在数据处理流程中的重要性。

面对特殊场景，如带有单位或特定分隔符的数字，正则表达式还能胜任吗？

当然可以，而且这正是正则表达式的强项之一。当数字和单位、特定的前缀或后缀、或者非标准分隔符混在一起时，我们可以通过更精巧的模式来“雕刻”出我们真正想要的数字。这就像在沙子里淘金，需要更细密的筛子。

关键在于使用捕获组 ()。捕获组允许你从整个匹配结果中，只提取模式中特定部分的内容。

import re

special_text = "订单号:XYZ-12345, 金额: $99.99, 生产日期: 2023-10-26, 数量: 100件, 编码: #A-B-C-42."

# 1. 提取订单号中的数字部分 (例如 XYZ-12345 中的 12345)
# 模式：XYZ-后面跟着数字
order_id_match = re.search(r'XYZ-(\d+)', special_text)
if order_id_match:
    print(f"订单号数字: {order_id_match.group(1)}") # '12345'

# 2. 提取带货币符号的金额 (例如 $99.99)
# 模式：$后面跟着一个数字模式
amount_match = re.search(r'\$(\d+(?:\.\d+)?)', special_text)
if amount_match:
    print(f"金额: {amount_match.group(1)}") # '99.99'

# 3. 提取带有单位的数字 (例如 100件)
# 模式：数字后面跟着单位
quantity_match = re.search(r'(\d+)件', special_text)
if quantity_match:
    print(f"数量: {quantity_match.group(1)}") # '100'

# 4. 提取日期中的年份、月份、日期
# 模式：(\d{4})-(\d{2})-(\d{2}) 分别捕获年、月、日
date_match = re.search(r'(\d{4})-(\d{2})-(\d{2})', special_text)
if date_match:
    year, month, day = date_match.groups() # groups()返回所有捕获组的元组
    print(f"生产日期: 年={year}, 月={month}, 日={day}") # 年=2023, 月=10, 日=26

# 5. 从混合编码中提取最后一个数字 (例如 #A-B-C-42 中的 42)
# 模式：匹配一个非数字或连字符的字符，直到最后一个连字符后跟着数字
code_number_match = re.search(r'-(\d+)$', special_text) # $表示字符串结尾
if code_number_match:
    print(f"编码中的数字: {code_number_match.group(1)}") # '42'

# 更复杂的例子：提取所有括号内的数字
text_with_parentheses = "项目A (ID: 123), 项目B (ID: 456), 错误码 (Err: 789)."
numbers_in_parentheses = re.findall(r'\((?:ID|Err):\s*(\d+)\)', text_with_parentheses)
print(f"括号内ID/Err数字: {numbers_in_parentheses}") # ['123', '456', '789']

这里面，re.search()和re.findall()的选择也很关键。re.search()只找第一个匹配项，通常用于提取特定格式的唯一信息；而re.findall()则会找出所有非重叠的匹配项，适用于你需要批量提取同类信息的情况。当你的模式中包含捕获组时，re.findall()会直接返回捕获组的内容列表，而不是整个匹配项。这在使用上非常方便。

总的来说，正则表达式在Python中处理数字提取，就像一把瑞士军刀，功能多且强大。关键在于理解你的数据形态，然后构建出恰到好处的模式。多实践，多尝试，你会发现它的乐趣。

终于介绍完啦！小伙伴们，这篇关于《Python提取数字的实用技巧》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！