Python3 如何优雅地使用正则表达式（详解二）

深碍√TFBOYSˉ_ 2022-04-05 12:48 154阅读 0赞

上一篇：[Python3 如何优雅地使用正则表达式（详解一）][Python3]

# 使用正则表达式 #

现在我们开始来写一些简单的正则表达式吧。Python 通过 re 模块为正则表达式引擎提供一个接口，同时允许你将正则表达式编译成模式对象，并用它们来进行匹配。  
  
*解释：re 模块是使用 C 语言编写，所以效率比你用普通的字符串方法要高得多；将正则表达式进行编译（compile）也是为了进一步提高效率；后边我们会经常提到“模式”，指的就是正则表达式被编译成的模式对象。*

### 编译正则表达式 ###

正则表达式被编译为模式对象，该对象拥有各种方法供你操作字符串，如查找模式匹配或者执行字符串替换。

>>> import re
    >>> p = re.compile('ab*')
    >>> p  
    <_sre.SRE_Pattern object at 0x...>

re.compile() 也可以接受 flags 参数，用于开启各种特殊功能和语法变化，我们会在后边一一介绍。  
  
现在我们先来看个简单的例子：

>>> p = re.compile('ab*', re.IGNORECASE)

正则表达式作为一个字符串参数传给 re.compile()。由于正则表达式并不是 Python 的核心部分，因此没有为它提供特殊的语法支持，所以正则表达式只能以字符串的形式表示。（有些应用根本就不需要使用到正则表达式，所以 Python 社区的小伙伴们认为没有必要将其纳入 Python 的核心。）相反，re 模块仅仅是作为 C 的扩展模块包含在 Python 中，就像 socket 模块和 zlib 模块。  
  
使用字符串来表示正则表达式保持了 Python 简洁的一贯风格，但也因此有一些负面影响，下边我们就来谈一谈。

### 麻烦的反斜杠 ###

上一篇中我们已经提到了，正则表达式使用 '\\' 字符来使得一些普通的字符拥有特殊的能力（例如 \\d 表示匹配任何十进制数字），或者剥夺一些特殊字符的能力（例如 \\\[ 表示匹配左方括号 '\['）。这会跟 Python 字符串中实现相同功能的字符发生冲突。  
  
*解释：挺拗口，接着看例子你就懂了~*  
  
现在的情况是，你需要在 LaTeX 文件中使用正则表达式匹配字符串 '\\section'。因为反斜杠作为需要匹配的特殊字符，所以你需要再它前边加多一个反斜杠来剥夺它的特殊功能。所以我们会把正则表达式的字符写成 '\\\\section'。  
  
但不要忘了，Python 在字符串中同样使用反斜杠来表示特殊意义。因此，如果我们想将 '\\\\section' 完整地传给 re.compile()，我们需要再次添加两个反斜杠......

<table> 
 <tbody> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>匹配字符</strong></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>匹配阶段</strong></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">\section</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">需要匹配的字符串</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">\\section</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">正则表达式使用<span style="color:#f33b45;">&nbsp;'\\'&nbsp;</span>表示匹配字符<span style="color:#f33b45;">&nbsp;'\'</span></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">"\\\\section"</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">不巧，Python 字符串也使用&nbsp;<span style="color:#f33b45;">'\\'&nbsp;</span>表示字符&nbsp;<span style="color:#f33b45;">'\'</span></td> 
  </tr> 
 </tbody> 
</table>

简而言之，为了匹配反斜杠这个字符，我们需要在字符串中使用四个反斜杠才行。所以，在正则表达式中频繁地使用反斜杠，会造成反斜杠风暴，进而导致你的字符串极其难懂。  
  
解决方法是使用 Python 的原始字符串来表示正则表达式（就是在字符串前边加上 r，大家还记得吧...）：

<table> 
 <tbody> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>正则字符串</strong></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>原始字符串</strong></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">"ab*"</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">r"ab*"</span></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">"\\\\section"</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">r"\\section"</span></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">"\\w+\\s+\\1"</span></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><span style="color:#f33b45;">r"\w+\s+\1"</span></td> 
  </tr> 
 </tbody> 
</table>

*解释：强烈建议使用原始字符串来表达正则表达式。*

### 实现匹配 ###

当你将正则表达式编译之后，你就得到一个模式对象。那你拿他可以用来做什么呢？模式对象拥有很多方法和属性，我们下边列举最重要的几个来讲：

<table> 
 <tbody> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>方法</strong></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>功能</strong></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">match()</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">判断一个正则表达式是否从开始处匹配一个字符串</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">search()</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">遍历字符串，找到正则表达式匹配的第一个位置</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">findall()</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">遍历字符串，找到正则表达式匹配的所有位置，并以列表的形式返回</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">finditer()</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">遍历字符串，找到正则表达式匹配的所有位置，并以迭代器的形式返回</td> 
  </tr> 
 </tbody> 
</table>

如果没有找到任何匹配的话，match() 和 search() 会返回 None；如果匹配成功，则会返回一个匹配对象（[match object][]），包含所有匹配的信息：例如从哪儿开始，到哪儿结束，匹配的子字符串等等。  
  
  
接下来我们一步步讲解：

>>> import re
    >>> p = re.compile('[a-z]+')
    >>> p
    re.compile('[a-z]+')

现在，你可以尝试使用正则表达式 \[a-z\]+ 去匹配各种字符串。  
  
例如：

>>> p.match("")
    >>> print(p.match(""))
    None

因为 + 表示匹配一次或者多次，所以空字符串不能被匹配。因此，match() 返回 None。  
  
我们再尝试一个可以匹配的字符串：

>>> m = p.match('fishc')
    >>> m  
    <_sre.SRE_Match object; span=(0, 5), match='fishc'>

在这个例子中，match() 返回一个匹配对象，我们将其存放在变量 m 中，以便日后使用。  
  
  
接下来让我们来看看匹配对象里边有哪些信息吧。匹配对象包含了很多方法和属性，以下几个是最重要的：

<table> 
 <tbody> 
  <tr> 
   <td><strong>方法</strong></td> 
   <td><strong>功能</strong></td> 
  </tr> 
  <tr> 
   <td>group()</td> 
   <td>返回匹配的字符串</td> 
  </tr> 
  <tr> 
   <td>start()</td> 
   <td>返回匹配的开始位置</td> 
  </tr> 
  <tr> 
   <td>end()</td> 
   <td>返回匹配的结束位置</td> 
  </tr> 
  <tr> 
   <td>span()</td> 
   <td>返回一个元组表示匹配位置（开始，结束）</td> 
  </tr> 
 </tbody> 
</table>

大家看：

>>> m.group()
    'fishc'
    >>> m.start()
    0
    >>> m.end()
    5
    >>> m.span()
    (0, 5)

由于 match() 只检查正则表达式是否在字符串的起始位置匹配，所以 start() 总是返回 0。  
  
然而，search() 方法可就不一样咯：

>>> print(p.match('^_^fishc'))
    None
    >>> m = p.search('^_^fishc')
    >>> print(m)
    <_sre.SRE_Match object; span=(3, 8), match='fishc'>
    >>> m.group()
    'fishc'
    >>> m.span()
    (3, 8)

在实际应用中，最常用的方式是将匹配对象存放在一个局部变量中，并检查其返回值是否为 None。  
  
形式通常如下：

p = re.compile( ... )
    m = p.match( 'string goes here' )
    if m:
        print('Match found: ', m.group())
    else:
        print('No match')

有两个方法可以返回所有的匹配结果，一个是 findall()，另一个是 finditer()。  
  
findall() 返回的是一个列表：

>>> p = re.compile('\d+')
    >>> p.findall('3只小甲鱼，15条腿，多出的3条在哪里？')
    ['3', '15', '3']

findall() 需要在返回前先创建一个列表，而 finditer() 则是将匹配对象作为一个迭代器返回：

>>> iterator = p.finditer('3只小甲鱼，15条腿，还有3条去了哪里？')
    >>> iterator
    <callable_iterator object at 0x10511b588>
    >>> for match in iterator:
            print(match.span())
            
    (0, 1)
    (6, 8)
    (13, 14)

*解释：如果列表很大，那么返回迭代器的效率要高很多。迭代器的相关知识请看：[《零基础入门学习Python》048 | 魔法方法：迭代器][Python_048 _]*

（未完待续）

下一篇：[Python3 如何优雅地使用正则表达式（详解三）][Python3 1]

[Python3]: https://blog.csdn.net/qq_41556318/article/details/84974867
[match object]: https://docs.python.org/3.4/library/re.html#match-objects
[Python_048 _]: https://blog.csdn.net/qq_41556318/article/details/84876015
[Python3 1]: https://blog.csdn.net/qq_41556318/article/details/84975521