Python3 如何优雅地使用正则表达式（详解三）

我会带着你远行 2022-04-05 12:56 126阅读 0赞

上一篇：[Python3 如何优雅地使用正则表达式（详解二）][Python3]

### 模块级别的函数 ###

使用正则表达式也并非一定要创建模式对象，然后调用它的匹配方法。因为，re 模块同时还提供了一些全局函数，例如 match()，search()，findall()，sub() 等等。这些函数的第一个参数是正则表达式字符串，其他参数跟模式对象同名的方法采用一样的参数；返回值也一样，同样是返回 None 或者匹配对象。

>>> print(re.match(r'From\s+', 'From_FishC.com'))
    None
    >>> re.match(r'From\s+', 'From FishC.com')
    <_sre.SRE_Match object; span=(0, 5), match='From '>

其实，这些函数只是帮你自动创建一个模式对象，并调用相关的函数（上一篇的内容，还记得吗？）。它们还将编译好的模式对象存放在缓存中，以便将来可以快速地直接调用。

那我们到底是应该直接使用这些模块级别的函数呢，还是先编译一个模式对象，再调用模式对象的方法呢？这其实取决于正则表达式的使用频率，如果说我们这个程序只是偶尔使用到正则表达式，那么全局函数是比较方便的；如果我们的程序是大量的使用正则表达式（例如在一个循环中使用），那么建议你使用后一种方法，因为预编译的话可以节省一些函数调用。但如果是在循环外部，由于得益于内部缓存机制，两者效率相差无几。

### 编译标志 ###

编译标志让你可以修改正则表达式的工作方式。在 re 模块下，编译标志均有两个名字：完整名和简写，例如 IGNORECASE 简写是 I（如果你是 Perl 的粉丝，那么你有福了，因为这些简写跟 Perl 是一样的，例如 re.VERBOSE 的简写是 re.X）。另外，多个标志还可以同时使用（通过“|”），如：re.I | re.M 就是同时设置 I 和 M 标志。  
  
下边列举一些支持的编译标志：

<table> 
 <tbody> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>标志</strong></td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;"><strong>含义</strong></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">ASCII, A</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">使得转义符号如&nbsp;<span style="color:#f33b45;">\w，\b，\s&nbsp;和&nbsp;\d&nbsp;</span>只能匹配 ASCII 字符</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">DOTALL, S</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">使得<strong><span style="color:#f33b45;">&nbsp;.&nbsp;</span></strong>匹配任何符号，包括换行符</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">IGNORECASE, I</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">匹配的时候不区分大小写</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">LOCALE, L</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">支持当前的语言（区域）设置</td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">MULTILINE, M</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">多行匹配，影响<span style="color:#f33b45;">&nbsp;^&nbsp;和&nbsp;$</span></td> 
  </tr> 
  <tr> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">VERBOSE, X (for 'extended')</td> 
   <td style="background-color:#ffffff;border-color:#e3edf5;">启用详细的正则表达式</td> 
  </tr> 
 </tbody> 
</table>

下面我们来详细讲解一下它们的含义：  
  
A  
ASCII  
使得 \\w，\\W，\\b，\\B，\\s 和 \\S 只匹配 ASCII 字符，而不匹配完整的 Unicode 字符。这个标志仅对 Unicode 模式有意义，并忽略字节模式。  
  
S  
DOTALL  
使得** . **可以匹配任何字符，包括换行符。如果不使用这个标志，. 将匹配除了换行符的所有字符。  
  
I  
IGNORECASE  
字符类和文本字符串在匹配的时候不区分大小写。举个例子，正则表达式 \[A-Z\] 也将会匹配对应的小写字母，像 FishC 可以匹配 FishC，fishc 或 FISHC 等。如果你不设置 LOCALE，则不会考虑语言（区域）设置这方面的大小写问题。  
  
L  
LOCALE  
使得 \\w，\\W，\\b 和 \\B 依赖当前的语言（区域）环境，而不是 Unicode 数据库。  
  
区域设置是 C 语言的一个功能，主要作用是消除不同语言之间的差异。例如你正在处理的是法文文本，你想使用 \\w+ 来匹配单词，但是 \\w 只是匹配 \[A-Za-z\] 中的单词，并不会匹配 'é' 或 '&\#231;'。如果你的系统正确的设置了法语区域环境，那么 C 语言的函数就会告诉程序 'é' 或 '&\#231;' 也应该被认为是一个字符。当编译正则表达式的时候设置了 LOCALE 的标志，\\w+ 就可以识别法文了，但速度多少会受到影响。  
  
M  
MULTILINE  
（^ 和 $ 我们还没有提到，别着急，后边我们有细讲...）  
  
通常 ^ 只匹配字符串的开头，而 $ 则匹配字符串的结尾。当这个标志被设置的时候，^ 不仅匹配字符串的开头，还匹配每一行的行首；& 不仅匹配字符串的结尾，还匹配每一行的行尾。  
  
X  
VERBOSE  
这个标志使你的正则表达式可以写得更好看和更有条理，因为使用了这个标志，空格会被忽略（除了出现在字符类中和使用反斜杠转义的空格）；这个标志同时允许你在正则表达式字符串中使用注释，\# 符号后边的内容是注释，不会递交给匹配引擎（除了出现在字符类中和使用反斜杠转义的 \#）。  
  
下边是使用 re.VERBOSE 的例子，大家看下正则表达式的可读性是不是提高了不少：

charref = re.compile(r"""
    &[#]                # 开始数字引用
    (
         0[0-7]+         # 八进制格式
       | [0-9]+          # 十进制格式
       | x[0-9a-fA-F]+   # 十六进制格式
    )
    ;                   # 结尾分号
    """, re.VERBOSE)

如果没有设置 VERBOSE 标志，那么同样的正则表达式会写成：

charref = re.compile("&#(0[0-7]+|[0-9]+|x[0-9a-fA-F]+);")

哪个可读性更加？相信大家心里有底了。

（未完待续）

下一篇：[Python3 如何优雅地使用正则表达式（详解四）][Python3 1]

[Python3]: https://blog.csdn.net/qq_41556318/article/details/84975047
[Python3 1]: https://blog.csdn.net/qq_41556318/article/details/85032175