详解 Python3 正则表达式

Posted 2020-09-20

上一篇：详解 Python3 正则表达式（一）

本文翻译自：https://docs.python.org/3.4/howto/regex.html

博主对此做了一些批注和修改 ^_^

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。

批注：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。

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：

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 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 \\[ 表示匹配左括号 ‘[‘）。这会跟 Python 字符串中实现相同功能的字符发生冲突。

批注：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，所以你需要在它前边多加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 ......

匹配字符	匹配阶段
\\section	需要匹配的字符串
\\\\section	正则表达式使用 ‘\\\\‘ 表示匹配字符 ‘\\‘
\\\\\\\\section	不巧，Python 字符串也使用 ‘\\\\‘ 表示字符 ‘\\‘

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 ... ）:

正则字符串	原始字符串
“ab*”	r"ab*"
"\\\\\\\\section"	r"\\\\section"
"\\\\w+\\\\s+\\\\1"	r"\\w+\\s+\\1"

批注：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。那你拿它可以做什么呢？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：

方法	功能
match()	判断一个正则表达式是否从开始处匹配一个字符串
search()	遍历字符串，找到正则表达式匹配的第一个位置
findall()	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
finditer()	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

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：

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：

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：

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：

方法	功能
group()	返回匹配的字符串
start()	返回匹配的开始位置
end()	返回匹配的结束位置
span()	返回一个元组表示匹配位置（开始，结束）

大家看：

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：

在实际应用中，最常用的方法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()，一个是 finditer() 。

findall() 返回的是一个列表：

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：

批注：如果列表很大，那么返回迭代器的效率要高很多。

(本文完)

下一篇：详解 Python3 正则表达式（三）

如果你喜欢这篇文章，请通过下方「评论」给我鼓励哦 ^_^