Python3 如何优雅地使用正则表达式(详解一)

注:本文翻译自  Regular Expression HOWTO ,小甲鱼童鞋对此做了一些注释和修改。


正则表达式介绍

正则表达式(Regular expressions 也称为 REs,或 regexes 或 regex patterns)本质上是一个微小的且高度专业化的编程语言。它被嵌入到 Python 中,并通过 re 模块提供给程序猿使用。使用正则表达式,你需要指定一些规则来描述那些你希望匹配的字符串集合。这些字符串集合可能包含英语句子、 e-mail 地址、TeX 命令,或任何你想要的东东。

正则表达式模式被编译成一系列的字节码,然后由一个 C 语言写的匹配引擎所执行。对于高级的使用,你可能需要更关注匹配引擎是如何执行给定的 RE,并通过一定的方式来编写 RE,以便产生一个可以运行得更快的字节码。本文暂不讲解优化的细节,因为这需要你对匹配引擎的内部机制有一个很好的理解。但本文的例子均是符合标准的正则表达式语法。

小甲鱼注释:Python 的正则表达式引擎是用 C 语言写的,所以效率是极高的。另,所谓的正则表达式,这里说的 RE,就是上文我们提到的“一些规则”。

正则表达式语言相对较小,并且受到限制,所以不是所有可能的字符串处理任务都可以使用正则表达式来完成。还有一些特殊的任务,可以使用正则表达式来完成,但是表达式会因此而变得非常复杂。在这种情况下,你可能通过自己编写 Python 代码来处理会更好些;尽管 Python 代码比一个精巧的正则表达式执行起来会慢一些,但可能会更容易理解。

小甲鱼注释:这可能是大家常说的“丑话说在前”吧,大家别管他,正则表达式非常优秀,她可以处理你 98.3% 的文本任务,一定要好好学哦~~~~~


简单的模式

我们将从最简单的正则表达式学习开始。由于正则表达式常用于操作字符串的,因此我们从最常见的任务下手:字符匹配。


字符匹配

大多数字母和字符会匹配它们自身。举个例子,正则表达式  FishC  将完全匹配字符串  "FishC" 。(你可以启用不区分大小写模式,这将使得  FishC  可以匹配  "FISHC"  或  "fishc" ,我们会在后边讨论这个话题。)

当然这个规则也有例外。有少数特殊的字符我们称之为元字符(metacharacter),它们并不能匹配自身,它们定义了字符类、子组匹配和模式重复次数等。本文用很大的篇幅专门讨论了各种元字符及其作用。

下边是元字符的完整列表(我们将在后边逐一讲解):

.   ^   $   *   +   ?   { }   [ ]   \   |   ( )

小甲鱼注释:如果没有这些元字符,正则表达式就变得跟字符串的 find() 方法一样平庸了......


我们先来看下方括号  [ ] ,它们指定一个字符类用于存放你需要匹配的字符集合。可以单独列出需要匹配的字符,也可以通过两个字符和一个横杆  -  指定匹配的范围。例如  [abc]  会匹配字符  a b  或  c [a-c]  可以实现相同的功能。后者使用范围来表示与前者相同的字符集合。如果你想只匹配小写字母,你的 RE 可以写成  [a-z]

需要注意的一点是:元字符在方括号中不会触发“特殊功能”,在字符类中,它们只匹配自身。例如  [akm$]  会匹配任何字符  'a' 'k' 'm'  或  '$' '$'  是一个元字符,但在方括号中它不表示特殊含义,它只匹配  '$'  字符本身。

你还可以匹配方括号中未列出的所有其他字符。做法是在类的开头添加一个脱字符号  ^  ,例如  [^5]  会匹配除了  '5'  之外的任何字符。


或许最重要的元字符当属反斜杠  \  了。跟 Python 的字符串规则一样,如果在反斜杠后边紧跟着一个元字符,那么元字符的“特殊功能”也不会被触发。例如你需要匹配符号  [  或  \ ,你可以在它们前面加上一个反斜杠,以消除它们的特殊功能: \[ \\

反斜杠后边跟一些字符还可以表示特殊的意义,例如表示十进制数字,表示所有的字母或者表示非空白的字符集合。

小甲鱼解释:反斜杠真牛逼,反斜杠后边跟元字符去除特殊功能,反斜杠后边跟普通字符实现特殊功能。

让我们来举个例子: \w  匹配任何字符。如果正则表达式以字节的形式表示,这相当于字符类  [a-zA-Z0-9_] ;如果正则表达式是一个字符串, \w  会匹配所有 Unicode 数据库(unicodedata 模块提供)中标记为字母的字符。你可以在编译正则表达式的时候,通过提供 re.ASCII 表示进一步限制  \w  的定义。

小甲鱼解释:re.ASCII 标志使得 \w 只能匹配 ASCII 字符,不要忘了,Python3 是 Unicode 的。

下边列举一些反斜杠加字符构成的特殊含义:

特殊字符 含义
\d 匹配任何十进制数字;相当于类 [0-9]
\D 与 \d 相反,匹配任何非十进制数字的字符;相当于类 [^0-9]
\s 匹配任何空白字符(包含空格、换行符、制表符等);相当于类 [ \t\n\r\f\v]
\S 与 \s 相反,匹配任何非空白字符;相当于类 [^ \t\n\r\f\v]
\w 匹配任何字符,见上方解释
\W 于 \w 相反
\b 匹配单词的开始或结束
\B 与 \b 相反

它们可以包含在一个字符类中,并且一样拥有特殊含义。例如  [\s,.]  是一个字符类,它将匹配任何空白字符( /s  的特殊含义), ','  或  '.' 。 

最后我们要讲的一个元字符是  . ,它匹配除了换行符以外的任何字符。如果设置了 re.DOTALL 标志, .  将匹配包括换行符在内的任何字符。


重复的事情

使用正则表达式能够轻松的匹配不同的字符集合,但 Python 字符串现有的方法却无法实现。然而,如果你认为这是正则表达式的唯一优势,那你就 too young too native 了。正则表达式有另一个强大的功能,就是你可以指定 RE 部分被重复的次数。


我们来看看  *  这个元字符,当然它不是匹配  '*'  字符本身(我们说过元字符都是有特殊能力的),它用于指定前一个字符匹配零次或者多次。

例如  ca*t  将匹配  ct (0 个字符 a), cat (1 个字符 a), caaat (3 个字符 a),等等。需要注意的是,由于受到 C 语言的 int 类型大小的内部限制,正则表达式引擎会限制字符 'a' 的重复个数不超过 20 亿个;不过,通常我们工作中也用不到那么大的数据。


正则表达式默认的重复规则是贪婪的,当你重复匹配一个 RE 时,匹配引擎会尝试尽可能多的去匹配。直到 RE 不匹配或者到了结尾,匹配引擎就会回退一个字符,然后再继续尝试匹配。

我们通过例子一步步的给大家讲解什么叫“贪婪”:先考虑一下表达式  a[bcd]*b ,首先需要匹配字符  'a' ,然后是零个到多个  [bcd] ,最后以  'b'  结尾。那现在想象一下,这个 RE 匹配字符串  abcbd  会怎样?

步骤 匹配 说明
1 a 匹配 RE 的第一个字符 'a'
2 abcbd 引擎在符合规则的情况下尽可能地匹配 [bcd]*,直到该字符串的结尾
3 失败 引擎尝试匹配 RE 最后一个字符 'b',但当前位置已经是字符串的结尾,所以失败告终
4 abcb 回退,所以 [bcd]* 匹配少一个字符
5 失败 再一次尝试匹配 RE 最后一个字符 'b',但字符串最后一个字符是 'd',所以失败告终
6 abc 再次回退,所以 [bcd]* 这次只匹配 'bc'
7 abcb 再一次尝试匹配字符 'b',这一次字符串当前位置指向的字符正好是 'b',匹配成功

最终,RE 匹配的结果是  abcb

小甲鱼解释:正则表达式默认的匹配规则是贪婪的,后边有教你如何使用非贪婪的方法匹配。


另一个实现重复的元字符是  + ,用于指定前一个字符匹配一次或者多次。

要特别注意  *  和  +  的区别: *  匹配的是零次或者多次,所以被重复的内容可能压根儿不会出现; +  至少需要出现一次。例如  ca+t  会匹配  cat  和  caaat ,但不会匹配  ct


还有两个表示重复的元字符,其中一个是问号  ? ,用于指定前一个字符匹配零次或者一次。你可以这么想,它的作用就是把某种东西标志位可选的。例如  小?甲鱼  可以匹配  小甲鱼 ,也可以匹配  甲鱼


最灵活的应该是元字符  {m, n} (m 和 n 都是十进制整数),上边讲到的几个元字符都可以使用它来表达,它的含义是前一个字符必须匹配 m 次到 n 次之间。例如  a/{1, 3}b  会匹配  a/b a//b  和  a///b 。但不会匹配  ab (没有斜杠);也不会匹配 a////b (斜杠超过三个)。

你可以省略 m 或者 n,这样的话,引擎会假定一个合理的值代替。省略 m,将被解释为下限 0;省略 n 则会被解释为无穷大(事实上是上边我们提到的 20 亿)。

小甲鱼解释:如果是 {, n} 相当于 {0, n};如果是 {m, } 相当于 {m, +无穷};如果是 {n},则是重复前一个字符 n 次。


聪明的鱼油应该已经发现了,其实  * +  和  ?  都可以使用  {m, n}  来代替。 {0,}  跟  *  是一样的; {1, }  跟  +  是一样的; {0, 1} 跟  ?  是一样的。不过还是鼓励大家记住并使用  * +  和  ? ,因为这些字符更短并且更容易阅读。

小甲鱼解释:还有一个原因是匹配引擎对 * + ? 做了优化,效率要更高些。



你可能感兴趣的:(Python)