Python之字符串正则匹配

Posted 2021-02-11 朱兆筠

需求：

正则表达式匹配某个文本模式，但是它找到的是模式的最长可能匹配（因为是贪婪匹配 ）。 而你想修改它变成查找最短的可能匹配。

import re
text2 = ‘Computer says "no." Phone says "yes."‘
str_pat=re.compile(r‘"(.*)"‘)   # 匹配引号包裹的任意文本，并编译
print(str_pat.findall(text2))   #[‘no." Phone says "yes.‘],并不是我们想要的[‘no.‘, ‘yes.‘]，由于正则表达式* 匹配0到人一多次，是贪婪匹配
# 解决方式
new_str_pat=re.compile(r‘"(.*?)"‘)
print(new_str_pat.findall(text2))  # [‘no.‘, ‘yes.‘]

多行匹配模式

comment = re.compile(r‘/*(.*?)*/‘)
text1 = ‘/* this is a comment */‘
text2 = ‘‘‘/* this is a
multiline comment */
‘‘‘
print(comment.findall(text1))  # [‘ this is a comment ‘]
# [‘ this is a comment ‘]
print(comment.findall(text2))  # []

new_comment=re.compile(r‘/*((?:.|
)*?)*/‘)   # (?:)    指定非捕获组 不捕获匹配的文本，也不给此组分配组号。
print(new_comment.findall(text2))  # [‘ this is a
multiline comment ‘]  定义了一个仅仅用来做匹配，而不能通过单独捕获或者编号的组)。

补充：捕获组和非捕获组

捕获组

什么是捕获呢？使用小括号指定一个子表达式后，匹配这个子表达式的文本（即匹配的内容）可以在表达式或者其他过程中接着用，
怎么用呢？至少应该有个指针啥的引用它吧？ 对！默认情况下，每个分组（小括号）会自动拥有一个组号,从左到右，以分组的左括号为标志，第一个出现的分组组号为1，后续递增。如果出现嵌套，

(d+)/(d+)/(d+) 
# group1 group2 group3 取捕获组的值

（？：）（？=）（？<=）非捕获组
非捕获组举例子：

# (?:)非捕获组
a = "6000￥ 和 1000$"
# 需求是得到金额和货币种类
# 捕获组
print(re.findall(r"(d+)+([$￥])",a))  # [(‘6000‘, ‘￥‘), (‘1000‘, ‘$‘)]

a = "10010.86￥"
# 需求是得到金额和货币种类,提炼出 10010 和 ￥
# (?:)非捕获组(),可以理解为只分组而不捕获
print(re.findall(r"(d+)(?:.?)(?:d+)([￥$])$",a))  # [(‘10010‘, ‘￥‘)

# 非捕获 (?=)和(?<=) 前后查找,有的资料把它们叫做肯定式向前查找和肯定式向后查找；
b="12332aa438aaf"

print(re.findall(r"[0-9a-z]{2}(?=aa)",b))  #[‘32‘, ‘38‘] 该正则的意思是 匹配这么一个字符串，它要满足：是两位字符（数字，或字母），且后面紧跟着两个a
# 分析：44aa 这个子串满足这个条件，所以可以匹配到，又因为 (?=) 的部分是不捕获的，所以输出的只是 44，不包括aa，后面的同理
# 再深入看一下:
# 当str第一次匹配成功输出 32 后，程序要继续向后查找是否还有匹配的其它子串。那么这时应该从 32aa 的后一位开始向后查找，还是从 32 的后一位呢？
# 也就是从索引 5 开始还是从 7 开始呢？有人可能想到是从 32aa 的下一位开始往后找，
# 因为 32aa 匹配了正则，所以下一位当然是它的后面也就是从 4 开始。但实际上是从 32 的后一位也就是第一个 a 开始往后找。原因还是 (?=) 是非捕获的

# 下面说一下 (?<=) 向前匹配
print(re.findall(r"(?<=aa)[0-9a-z]{2}",b))  # [‘43‘]