Python3 如何優雅地使用正則表達式（詳解四）

更多強大的功能

到目前爲止，咱們只是介紹了正則表達式的一部分功能。在這一篇中，咱們會學習到一些新的元字符，而後再教你們如何使用組來得到被匹配的部分文本。


更多元字符

還有一些元字符咱們沒有講到，接下來小甲魚一一爲你們講解。

有些元字符它們不匹配任何字符，只是簡單地表示成功或失敗，所以這些字符也稱之爲零寬斷言。例如 \b 表示當前位置位於一個單詞的邊界，但 \b 並不能改變位置。所以，零寬斷言不該該被重複使用，由於 \b 並不會修改當前位置，因此 \b\b跟 \b 是沒什麼兩樣的。

小甲魚解釋：不少人可能不理解「改變位置」和「零寬斷言」的意思？我嘗試解釋下，好比 abc 匹配完 a 以後，咱的當前位置就會移動，才能繼續匹配 b，依次類推...可是 \babc 的話，\b 表示當前位置在單詞的邊界（單詞的第一個字母或者最後一個字母），這時候當前位置不會發生改變，接着將 a 與當前位置的字符進行匹配......


|

或操做符，對兩個正則表達式進行或操做。若是 A 和 B 是正則表達式，A | B 會匹配 A 或 B 中出現的任何字符。爲了可以更加合理的工做，| 的優先級很是低。例如 Fish|C 應該匹配 Fish 或 C，而不是匹配 Fis，而後一個 'h' 或 'C'。

一樣，咱們使用 \| 來匹配 '|' 字符自己；或者包含在一個字符類中，像這樣 [|]。


^

匹配字符串的起始位置。若是設置了 MULTILINE 標誌，就會變成匹配每一行的起始位置。在 MULTILINE 中，每當遇到換行符就會馬上進行匹配。

舉個例子，若是你只但願匹配位於字符串開頭的單詞 From，那麼你的正則表達式能夠寫爲 ^From：

1. >>> print(re.search('^From', 'From Here to Eternity'))  
2. <_sre.SRE_Match object; span=(0, 4), match='From'>
3. >>> print(re.search('^From', 'Reciting From Memory'))
4. None

複製代碼

$

匹配字符串的結束位置，每當遇到換行符也會離開進行匹配。

>>> print(re.search('}$', '{block}'))  
<_sre.SRE_Match object; span=(6, 7), match='}'>
>>> print(re.search('}$', '{block} '))
None
>>> print(re.search('}$', '{block}\n'))  
<_sre.SRE_Match object; span=(6, 7), match='}'>

一樣，咱們使用 \$ 來匹配 '$' 字符自己；或者包含在一個字符類中，像這樣 [$]。


\A

只匹配字符串的起始位置。若是沒有設置 MULTILINE 標誌的時候，\A 和 ^ 的功能是同樣的；但若是設置了 MULTILINE 標誌，則會有一些不一樣：\A 仍是匹配字符串的起始位置，但 ^ 會對字符串中的每一行都進行匹配。


\Z

只匹配字符串的結束位置。


\b

單詞邊界，這是一個只匹配單詞的開始和結尾的零寬斷言。「單詞」定義爲一個字母數字的序列，因此單詞的結束指的是空格或者非字母數字的字符。

下邊例子中，class 只有在出現一個完整的單詞 class 時才匹配；若是出如今別的單詞中，並不會匹配。

1. >>> p = re.compile(r'\bclass\b')
2. >>> print(p.search('no class at all'))  
3. <_sre.SRE_Match object; span=(3, 8), match='class'>
4. >>> print(p.search('the declassified algorithm'))
5. None
6. >>> print(p.search('one subclass is'))
7. None

複製代碼

在使用這些特殊的序列的時候，有兩點是須要注意的：第一點須要注意的是，Python 的字符串跟正則表達式在有些字符上是有衝突的（回憶以前反斜槓的例子）。好比說在 Python 中，\b 表示的是退格符（ASCII 碼值是 8）。因此，你若是不使用原始字符串，Python 會將 \b 轉換成退格符處理，這樣就確定跟你的預期不同了。

下邊的例子中，咱們故意不寫表示原始字符串的 'r'，結果確實大相庭徑：

1. >>> p = re.compile('\bclass\b')
2. >>> print(p.search('no class at all'))
3. None
4. >>> print(p.search('\b' + 'class' + '\b'))  
5. <_sre.SRE_Match object; span=(0, 7), match='\x08class\x08'>

複製代碼

第二點須要注意的是，在字符類中不能使用這個斷言。跟 Python 同樣，在字符類中，\b 只是用來表示退格符。


\B

另外一個零寬斷言，與 \b 的含義相反，\B 表示非單詞邊界的位置。


分組

一般在實際的應用過程當中，咱們除了須要知道一個正則表達式是否匹配以外，還須要更多的信息。對於比較複雜的內容，正則表達式一般使用分組的方式分別對不一樣內容進行匹配。

下邊的例子，咱們將 RFC-822 頭用「:」號分紅名字和值分別匹配：

1. From: author@example.com
2. User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
3. MIME-Version: 1.0
4. To: editor@example.com

複製代碼

像這種狀況，咱們就能夠寫一個正則表達式先來匹配一整個 RFC-822 頭，而後利用分組功能，使用一個組來匹配頭的名字，另外一個組匹配名字對應的值。

小甲魚解釋：RFC-822 是電子郵件的標準格式，固然看到這裏你還不知道分組要怎麼分，不急，請接着往下看......

在正則表達式中，使用元字符 ( ) 來劃分組。( ) 元字符跟數學表達式中的小括號含義差很少；它們將包含在內部的表達式組合在一塊兒，因此你能夠對一個組的內容使用重複操做的元字符，例如 *，+，? 或者 {m, n}。

例如，(ab)* 會匹配零個或者多個 ab：

1. >>> p = re.compile('(ab)*')
2. >>> print(p.match('ababababab').span())
3. (0, 10)

複製代碼

使用 ( ) 表示的子組咱們還能夠對它進行按層次索引，能夠將索引值做爲參數傳遞給這些方法：group()，start()，end() 和 span()。序號 0 表示第一個分組（這個是默認分組，一直存在的，因此不傳入參數至關於默認值 0）：

1. >>> p = re.compile('(a)b')
2. >>> m = p.match('ab')
3. >>> m.group()
4. 'ab'
5. >>> m.group(0)
6. 'ab'

複製代碼

小甲魚解釋：有幾對小括號就是分紅了幾個子組，例如 (a)(b) 和 (a(b)) 都是由兩個子組構成的。

子組的索引值是從左到右進行編號，子組也容許嵌套，所以咱們能夠經過從左往右來統計左括號 ( 來肯定子組的序號。

1. >>> p = re.compile('(a(b)c)d')
2. >>> m = p.match('abcd')
3. >>> m.group(0)
4. 'abcd'
5. >>> m.group(1)
6. 'abc'
7. >>> m.group(2)
8. 'b'

複製代碼

group() 方法能夠一次傳入多個子組的序號：

1. >>> m.group(2,1,2)
2. ('b', 'abc', 'b')

複製代碼

小甲魚解釋：start() 是得到參數子組的開始位置；end() 是得到對應子組的結束位置；span() 是得到對應子組的範圍。

咱們還特麼能夠經過 groups() 方法一次性返回全部的子組匹配的字符串：

1. >>> m.groups()
2. ('abc', 'b')

複製代碼

還有一個反向引用的概念須要介紹。反向引用指的是你能夠在後面的位置使用先前匹配過的內容，用法是反斜槓加上數字。例如 \1 表示引用前邊成功匹配的序號爲 1 的子組。

1. >>> p = re.compile(r'(\b\w+)\s+\1')
2. >>> p.search('Paris in the the spring').group()
3. 'the the'

複製代碼

若是隻是搜索字符串，反向引用不會被用到，由於不多有文本格式會這樣來重複字符。可是，你很快會發現，在字符串替換的時候，反向引用是很是有用的（深井冰）！

小甲魚註釋：注意，在 Python 的字符串中會使用反斜槓加數字的方式來表示數字的值對應的 ASCII 字符，因此在使用反向索引的正則表達式中，咱們依然強調要使用原始字符串。