Python 正则表达式高级应用举例

    首先，写这篇文章的起因，是这两天玩了一个网站

    http://www.checkio.org

    用Python做题、出题，交流，很有意思也很有挑战。

————————————进入正题——————————————————————————

    其中一道字符串处理的题目如下：

http://www.checkio.org/mission/implementation/1088/python-27/

    简单来说，输入是一个字符串，输出也是一个字符串。我们要做的，是让输入中的整数每隔三位数加一个小数点。

测试用例：

    assert checkio('123456') == '123.456'

    assert checkio('333') == '333'

    assert checkio('9999999') == '9.999.999'

    assert checkio('123456 567890') == '123.456 567.890'

    assert checkio('price is 5799') == 'price is 5.799'

    assert checkio('he was born in 1966th') == 'he was born in 1966th'

    题意应该是表达清楚了。我自己写了一段代码，大概有20~30行的样子，用正则表达式把数字提取出来，然后改掉，然后一段一段填回去。比较麻烦的地方，是修改字符串之后，长度增加了，所以之前在提取字符串的时候要自己处理当前插入位置之类的。

    Pass这道题之后，看了下Best solution：

    def checkio(txt):

        '''

        string with comma separated numbers, which inserted after every third digit from right to left     '''

        return re.sub(r'(?<=\d)(?=(\d\d\d)+\b)', '.', str(txt))

    看过之后发现自己对python的加强版正则表达式不够熟悉，看了看这篇文章，补了补功课：

    Python正则表达式介绍    http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

    

    上面的解法非常巧妙，注意一点：(?=...)这种匹配模式是不消耗字符的，所以会形成循环匹配，正好达到了目的。我的意思是：如果不是循环匹配的话，加一个小数点之后可能就继续下一个词了。

    经过试验，(?<=...)这种特殊构造有一个限制条件——必须是固定长度的，如果你写(?<=.*?)这种条件，Python会报相应的异常。

————————————re.sub函数————————————————————

    这个题的解法很巧妙，当然巧妙也意味着比较特别，通用性不强。

    回到之前我的那个破代码，贴出来瞅瞅：

def checkio(txt):

    '''

    string with dot separated numbers, which inserted after every third digit from right to left

    '''

    l = []

    beg = 0

    for e in re.finditer(r'\b\d+\b', txt):

        p1, p2 = e.span()

        l.append( txt[beg:p1] )

         

        s = txt[p1:p2]

        s2 = []

        for i in range(len(s)-1, -1, -1):

            s2.append(s[i])            if (len(s)-i) % 3 == 0 and i != 0:

                s2.append('.')

        s2.reverse()

        s = ''.join(s2)

        l.append( s )

         

        beg = p2

    l.append( txt[beg:] )

    print ''.join(l)

    return ''.join(l)

    中间比较长的一段是给字符串加小数点，假如抽出来不看的话，那么多余的地方就是 l、beg、p1、p2等几个变量以及它们的计算了。

    仔细玩了下re.findall和re.sub，发现它们查找的方式不大一样，主要是对括号括起来的group处理不太一样。这个问题以前也纳闷过。今天恍然大悟：

    re.sub的第二个参数repl，可以是函数！

    如果自定义一个函数change(match)，在使用re.sub时底层就会在查找到合适的pattern时调用这个change函数。参数是一个match对象，记录了group、span之类的东东。处理这个match对象返回一个字符串，底层就会帮你把这个字符串替换回去。

    不容易说明白，试试就明白了。

    我用这个办法修改了之前MB文件处理的函数，简洁了很多。re.sub函数的接口设计很自然，值得学习。以前竟然没想到能这么用，小自责一下。