py 第二十五天 正则表达式 4:特殊元字符+分组

一、更多的元字符

有些元字符它们不匹配任何字符,只是简单地表示成功或失败,因此这些字符也称之为零宽断言。例如 \b表示当前位置位于一个单词的边界,但\b并不能改变位置。因此,零宽断言不应该被重复使用,因为 \ 并不会修改当前位置,所以 \b\b\b是没什么两样的。
比如 abc 匹配完a之后,咱的当前位置就会移动,才能继续匹配b,依次类推...但是 \babc的话,\b 表示当前位置在单词的边界(单词的第一个字母或者最后一个字母),这时候当前位置不会发生改变,接着将a与当前位置的字符进行匹配.

1.1 |

或操作符,对两个正则表达式进行或操作。如果 A 和 B 是正则表达式,A | B 会匹配 A 或 B 中出现的任何字符。为了能够更加合理的工作,| 的优先级非常低。例如 Fish|C 应该匹配FishC,而不是匹配 Fis,然后一个 'h''C'
同样,我们使用\|来匹配'|'字符本身;或者包含在一个字符类中,像这样[|]

>>> re.search(r'fish(c|d)','fishc')

>>> re.search(r'fish(c|d)','fishd')

>>> re.search(r'fish(c|d)','fishe')
1.2 ^

匹配字符串的起始位置。如果设置了MULTILINE 标志,就会变成匹配每一行的起始位置。在 MULTILINE 中每当遇到换行符就会立刻进行匹配
举个例子,如果你只希望匹配位于字符串开头的单词 From,那么你的正则表达式可以写为 ^From

>>> print(re.search('^from', 'from 1 to 2'))

>>> print(re.search('^from', 'i from 1 to 2'))
None
>>> print(re.search('^a','''abc
acd
abc''',re.M))

1.3 $

匹配字符串的结束位置,每当遇到换行符也会离开,不进行匹配。

>>> print(re.search('}$','{aaaaa}'))

>>> print(re.search('}$','{aaaaa} '))
None
>>> print(re.search('}$','{aaaaa}\n'))

同样,我们使用 \$ 来匹配 '$'字符本身;或者包含在一个字符类中,像这样[$]

1.4 \A

只匹配字符串的起始位置。如果没有设置 MULTILINE 标志的时候,\A^的功能是一样的;但如果设置了MULTILINE 标志,则会有一些不同:\A 还是匹配字符串的起始位置,但^ 会对字符串中的每一行都进行匹配。

1.5 \Z

只匹配字符串的结束位置。

1.6 \b

单词边界,这是一个只匹配单词的开始和结尾的零宽断言。“单词”定义为一个字母数字的序列,所以单词的结束指的是空格或者非字母数字的字符。

>>> p = re.compile(r'\bclass\b')  #注意要使用原始字符串r,否则python会处理成退格
>>> print(p.search('no class at all'))  
<_sre.SRE_Match object; span=(3, 8), match='class'>
>>> print(p.search('the declassified algorithm'))
None
>>> print(p.search('one subclass is'))
None

在字符类中不能使用这个断言。跟 Python 一样,在字符类中,\b 只是用来表示退格符。

二、分组

通常在实际的应用过程中,我们除了需要知道一个正则表达式是否匹配之外,还需要更多的信息。对于比较复杂的内容,正则表达式通常使用分组的方式分别对不同内容进行匹配。
下边的例子,我们将 RFC-822 头用“:”号分成名字和值分别匹配:

From: [email protected]
User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
MIME-Version: 1.0
To: [email protected]

在正则表达式中,使用元字符( )来划分组。( )元字符跟数学表达式中的小括号含义差不多;它们将包含在内部的表达式组合在一起,所以你可以对一个组的内容使用重复操作的元字符,例如 *,+,?或者 {m,n}
例如,(ab)*会匹配零个或者多个ab

>>> p = re.compile('(ab)*')
>>> print(p.search('abababababab'))

使用( ) 表示的子组我们还可以对它进行按层次索引,可以将索引值作为参数传递给这些方法:group(),start(),end() 和 span()。序号 0 表示第一个分组(这个是默认分组,一直存在的,所以不传入参数相当于默认值 0):

>>> p = re.compile('(a)b')
>>> m = p.match('ab')
>>> m.group()
'ab'
>>> m.group(0)
'ab'

\加上数字1-9表示引用分组:

>>> re.search(r'(fish)\1','fishfish')

有几对小括号就是分成了几个子组,例如 (a)(b) 和 (a(b)) 都是由两个子组构成的。
子组的索引值是从左到右进行编号,子组也允许嵌套,因此我们可以通过从左往右来统计左括号 ( 来确定子组的序号。

>>> p = re.compile('(a(b)c)d')
>>> m = p.match('abcd')
>>> m.group(0)
'abcd'
>>> m.group(1)
'abc'
>>> m.group(2)
'b'

group() 方法可以一次传入多个子组的序号:

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

start() 是获得参数子组的开始位置;end()是获得对应子组的结束位置;span() 是获得对应子组的范围。

>>> p = re.compile('(a(b)c)d')
>>> m = p.match('abcd')
>>> m.end(1)
3  # 第一个子组结束的位置,即c
>>> m.start(2)   
1 #第二个子组开始的位置,即a
>>> m.span(1) #第一个子组的范围,即abc
(0, 3)

我们还特么可以通过 groups() 方法一次性返回所有的子组匹配的字符串:

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

还有一个反向引用的概念需要介绍。反向引用指的是你可以在后面的位置使用先前匹配过的内容,用法是反斜杠加上数字。例如\1表示引用前边成功匹配的序号为 1 的子组。

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

如果只是搜索字符串,反向引用不会被用到,因为很少有文本格式会这样来重复字符。但是,你很快会发现,在字符串替换的时候,反向引用是非常有用的
注意,在 Python 的字符串中会使用反斜杠加数字的方式来表示数字的值对应的 ASCII 字符,所以在使用反向索引的正则表达式中,我们依然强调要使用原始字符串。

https://fishc.com.cn/thread-57271-1-1.html

你可能感兴趣的:(py 第二十五天 正则表达式 4:特殊元字符+分组)