Python 过滤字母和数字

【前言】在写爬虫时，正则表达式有时候比较难写，一个是自己不熟练，二者数据分析提取数据千奇百怪。

　一、好在python有个re模块，提供了很多更加简便的方法；可参考此文档：https://www.cnblogs.com/tina-python/p/5508402.html

　二、但有时候，不能实现过滤抽取的功能，python提供了filter函数。 可参考：  http://www.runoob.com/python/python-func-filter.html

具体的应用：

 1 crazystring = 'dade142.!0142f[., ]ad'
 2
 3 # 只保留数字，使用内置方法str.isdigit
 4 new_crazy = filter(str.isdigit, crazystring)
 5 print(''.join(list(new_crazy)))
 6 # 只保留字母
 7 new_crazy = filter(str.isalpha, crazystring)
 8 print(''.join(list(new_crazy)))
 9
10
11 # 只保留字母和数字
12 new_crazy = filter(str.isalnum, crazystring)
13 print(''.join(list(new_crazy)))
14
15 # 如果想保留数字0-9和小数点’.’ 则需要自定义函数
16 #下面使用lambda表达式，方便快捷
17 new_crazy = filter(lambda ch: ch in '0123456789.', crazystring)
18 print(''.join(list(new_crazy)))

其中的str.isdigit是其内置方法。

我们也可以自己定义规则，不如只过滤出奇数：

#!/usr/bin/python
# -*- coding: UTF-8 -*-

def is_odd(n):
    return n % 2 == 1

newlist = filter(is_odd, [1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(newlist)

定义函数时，可以使用lambda表达式，这样会更加方便。

三、我的具体应用场景

　　在写爬虫分析验证码时，用腾讯云分析回的json文件，提取验证码时用到正则匹配。一直找python的正则表达式，不好找也不好写。

1、对传回的json数据，做一个正则提取：

r_index = r'itemstring":"(.*?)"'  

2、然儿，提取的二维码总会有噪声，(.*?)是将所有数据都提取出来了。但是，我们深度学习识别出来的二维码有噪声，会有‘\'、‘_’、或者空格。需要二次处理。目标是提取数字和字母，不含有任何空格和噪声。使用"\W+"，会有下划线。我们使用：

#接在上面的语句后面，进一步过滤
new_index = filter(str.isalnum, r_index)

3、最终可以实现百分之九十准确率。当然离不开深度学习算法对数字识别率高。