Python3 如何優雅地使用正則表達式（詳解二）

使用正則表達式

現在我們開始來寫一些簡單的正則表達式吧。Python 通過 re 模塊為正則表達式引擎提供一個接口，同時允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，所以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）也是為了進一步提高效率；后邊我們會經常提到“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

正則表達式被編譯為模式對象，該對象擁有各種方法供你操作字符串，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...>

復制代碼

re.compile() 也可以接受 flags 參數，用於開啟各種特殊功能和語法變化，我們會在后邊一一介紹。

現在我們先來看個簡單的例子：

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

復制代碼

正則表達式作為一個字符串參數傳給 re.compile()。由於正則表達式並不是 Python 的核心部分，因此沒有為它提供特殊的語法支持，所以正則表達式只能以字符串的形式表示。（有些應用根本就不需要使用到正則表達式，所以 Python 社區的小伙伴們認為沒有必要將其納入 Python 的核心。）相反，re 模塊僅僅是作為 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 簡潔的一貫風格，但也因此有一些負面影響，下邊我們就來談一談。


麻煩的反斜杠

上一篇中我們已經提到了，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沖突。

小甲魚解釋：挺拗口，接着看例子你就懂了~

現在的情況是，你需要在 LaTeX 文件中使用正則表達式匹配字符串 '\section'。因為反斜杠作為需要匹配的特殊字符，所以你需要再它前邊加多一個反斜杠來剝奪它的特殊功能。所以我們會把正則表達式的字符寫成 '\\section'。

但不要忘了，Python 在字符串中同樣使用反斜杠來表示特殊意義。因此，如果我們想將 '\\section' 完整地傳給 re.compile()，我們需要再次添加兩個反斜杠......

匹配字符	匹配階段
\section	需要匹配的字符串
\\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，為了匹配反斜杠這個字符，我們需要在字符串中使用四個反斜杠才行。所以，在正則表達式中頻繁地使用反斜杠，會造成反斜杠風暴，進而導致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，大家還記得吧...）：

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之后，你就得到一個模式對象。那你拿他可以用來做什么呢？模式對象擁有很多方法和屬性，我們下邊列舉最重要的幾個來講：

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所有位置，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所有位置，並以迭代器的形式返回

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


接下來我們一步步講解：

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

復制代碼

現在，你可以嘗試使用正則表達式 [a-z]+ 去匹配各種字符串。

例如：

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

復制代碼

因為 + 表示匹配一次或者多次，所以空字符串不能被匹配。因此，match() 返回 None。

我們再嘗試一個可以匹配的字符串：

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

復制代碼

在這個例子中，match() 返回一個匹配對象，我們將其存放在變量 m 中，以便日后使用。


接下來讓我們來看看匹配對象里邊有哪些信息吧。匹配對象包含了很多方法和屬性，以下幾個是最重要的：

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）

大家看：

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

復制代碼

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

然而，search() 方法可就不一樣咯：

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)

復制代碼

在實際應用中，最常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為 None。

形式通常如下：

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')

復制代碼

有兩個方法可以返回所有的匹配結果，一個是 findall()，另一個是 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條在哪里？')
3. ['3', '15', '3']

復制代碼

findall() 需要在返回前先創建一個列表，而 finditer() 則是將匹配對象作為一個迭代器返回：

1. >>> iterator = p.finditer('3只小甲魚，15條腿，還有3條去了哪里？')
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)

復制代碼

小甲魚解釋：如果列表很大，那么返回迭代器的效率要高很多。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