Python3 如何優雅地使用正則表達式（詳解二）

使用正則表達式

如今咱們開始來寫一些簡單的正則表達式吧。Python 經過 re 模塊爲正則表達式引擎提供一個接口，同時容許你將正則表達式編譯成模式對象，並用它們來進行匹配。

小甲魚解釋：re 模塊是使用 C 語言編寫，因此效率比你用普通的字符串方法要高得多；將正則表達式進行編譯（compile）也是爲了進一步提升效率；後邊咱們會常常提到「模式」，指的就是正則表達式被編譯成的模式對象。


編譯正則表達式

正則表達式被編譯爲模式對象，該對象擁有各類方法供你操做字符串，如查找模式匹配或者執行字符串替換。

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

複製代碼

re.compile() 也能夠接受 flags 參數，用於開啓各類特殊功能和語法變化，咱們會在後邊一一介紹。

如今咱們先來看個簡單的例子：

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

複製代碼

正則表達式做爲一個字符串參數傳給 re.compile()。因爲正則表達式並非 Python 的核心部分，所以沒有爲它提供特殊的語法支持，因此正則表達式只能以字符串的形式表示。（有些應用根本就不須要使用到正則表達式，因此 Python 社區的小夥伴們認爲沒有必要將其歸入 Python 的核心。）相反，re 模塊僅僅是做爲 C 的擴展模塊包含在 Python 中，就像 socket 模塊和 zlib 模塊。

使用字符串來表示正則表達式保持了 Python 簡潔的一向風格，但也所以有一些負面影響，下邊咱們就來談一談。


麻煩的反斜槓

上一篇中咱們已經提到了，正則表達式使用 '\' 字符來使得一些普通的字符擁有特殊的能力（例如 \d 表示匹配任何十進制數字），或者剝奪一些特殊字符的能力（例如 \[ 表示匹配左方括號 '['）。這會跟 Python 字符串中實現相同功能的字符發生衝突。

小甲魚解釋：挺拗口，接着看例子你就懂了~

如今的狀況是，你須要在 LaTeX 文件中使用正則表達式匹配字符串 '\section'。由於反斜槓做爲須要匹配的特殊字符，因此你須要再它前邊加多一個反斜槓來剝奪它的特殊功能。因此咱們會把正則表達式的字符寫成 '\\section'。

但不要忘了，Python 在字符串中一樣使用反斜槓來表示特殊意義。所以，若是咱們想將 '\\section' 完整地傳給 re.compile()，咱們須要再次添加兩個反斜槓......

匹配字符	匹配階段
\section	須要匹配的字符串
\\section	正則表達式使用 '\\' 表示匹配字符 '\'
"\\\\section"	不巧，Python 字符串也使用 '\\' 表示字符 '\'

簡而言之，爲了匹配反斜槓這個字符，咱們須要在字符串中使用四個反斜槓才行。因此，在正則表達式中頻繁地使用反斜槓，會形成反斜槓風暴，進而致使你的字符串極其難懂。

解決方法是使用 Python 的原始字符串來表示正則表達式（就是在字符串前邊加上 r，你們還記得吧...）：

正則字符串	原始字符串
"ab*"	r"ab*"
"\\\\section"	r"\\section"
"\\w+\\s+\\1"	r"\w+\s+\1"

小甲魚解釋：強烈建議使用原始字符串來表達正則表達式。


實現匹配

當你將正則表達式編譯以後，你就獲得一個模式對象。那你拿他能夠用來作什麼呢？模式對象擁有不少方法和屬性，咱們下邊列舉最重要的幾個來說：

方法	功能
match()	判斷一個正則表達式是否從開始處匹配一個字符串
search()	遍歷字符串，找到正則表達式匹配的第一個位置
findall()	遍歷字符串，找到正則表達式匹配的全部位置，並以列表的形式返回
finditer()	遍歷字符串，找到正則表達式匹配的全部位置，並以迭代器的形式返回

若是沒有找到任何匹配的話，match() 和 search() 會返回 None；若是匹配成功，則會返回一個匹配對象（match object），包含全部匹配的信息：例如從哪兒開始，到哪兒結束，匹配的子字符串等等。


接下來咱們一步步講解：

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

複製代碼

如今，你能夠嘗試使用正則表達式 [a-z]+ 去匹配各類字符串。

例如：

1. >>> p.match("")
2. >>> print(p.match(""))
3. None

複製代碼

由於 + 表示匹配一次或者屢次，因此空字符串不能被匹配。所以，match() 返回 None。

咱們再嘗試一個能夠匹配的字符串：

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

複製代碼

在這個例子中，match() 返回一個匹配對象，咱們將其存放在變量 m 中，以便往後使用。


接下來讓咱們來看看匹配對象裏邊有哪些信息吧。匹配對象包含了不少方法和屬性，如下幾個是最重要的：

方法	功能
group()	返回匹配的字符串
start()	返回匹配的開始位置
end()	返回匹配的結束位置
span()	返回一個元組表示匹配位置（開始，結束）

你們看：

1. >>> m.group()
2. 'fishc'
3. >>> m.start()
4. 0
5. >>> m.end()
6. 5
7. >>> m.span()
8. (0, 5)

複製代碼

因爲 match() 只檢查正則表達式是否在字符串的起始位置匹配，因此 start() 老是返回 0。

然而，search() 方法可就不同咯：

1. >>> print(p.match('^_^fishc'))
2. None
3. >>> m = p.search('^_^fishc')
4. >>> print(m)
5. <_sre.SRE_Match object; span=(3, 8), match='fishc'>
6. >>> m.group()
7. 'fishc'
8. >>> m.span()
9. (3, 8)

複製代碼

在實際應用中，最經常使用的方式是將匹配對象存放在一個局部變量中，並檢查其返回值是否爲 None。

形式一般以下：

1. p = re.compile( ... )
2. m = p.match( 'string goes here' )
3. if m:
4.     print('Match found: ', m.group())
5. else:
6.     print('No match')

複製代碼

有兩個方法能夠返回全部的匹配結果，一個是 findall()，另外一個是 finditer()。

findall() 返回的是一個列表：

1. >>> p = re.compile('\d+')
2. >>> p.findall('3只小甲魚，15條腿，多出的3條在哪裏？')
3. ['3', '15', '3']

複製代碼

findall() 須要在返回前先建立一個列表，而 finditer() 則是將匹配對象做爲一個迭代器返回：

1. >>> iterator = p.finditer('3只小甲魚，15條腿，還有3條去了哪裏？')
2. >>> iterator
3. <callable_iterator object at 0x10511b588>
4. >>> for match in iterator:
5.         print(match.span())
6.         
7. (0, 1)
8. (6, 8)
9. (13, 14)

複製代碼

小甲魚解釋：若是列表很大，那麼返回迭代器的效率要高不少。迭代器的相關知識請看：《零基礎入門學習Python》048 | 魔法方法：迭代器