Python3 如何優雅地使用正則表達式（詳解四）

更多強大的功能

到目前為止，我們只是介紹了正則表達式的一部分功能。在這一篇中，我們會學習到一些新的元字符，然后再教大家如何使用組來獲得被匹配的部分文本。


更多元字符

還有一些元字符我們沒有講到，接下來小甲魚一一為大家講解。

有些元字符它們不匹配任何字符，只是簡單地表示成功或失敗，因此這些字符也稱之為零寬斷言。例如 \b 表示當前位置位於一個單詞的邊界，但 \b 並不能改變位置。因此，零寬斷言不應該被重復使用，因為 \b 並不會修改當前位置，所以 \b\b跟 \b 是沒什么兩樣的。

小甲魚解釋：很多人可能不理解“改變位置”和“零寬斷言”的意思？我嘗試解釋下，比如 abc 匹配完 a 之后，咱的當前位置就會移動，才能繼續匹配 b，依次類推...但是 \babc 的話，\b 表示當前位置在單詞的邊界（單詞的第一個字母或者最后一個字母），這時候當前位置不會發生改變，接着將 a 與當前位置的字符進行匹配......


|

或操作符，對兩個正則表達式進行或操作。如果 A 和 B 是正則表達式，A | B 會匹配 A 或 B 中出現的任何字符。為了能夠更加合理的工作，| 的優先級非常低。例如 Fish|C 應該匹配 Fish 或 C，而不是匹配 Fis，然后一個 'h' 或 'C'。

同樣，我們使用 \| 來匹配 '|' 字符本身；或者包含在一個字符類中，像這樣 [|]。


^

匹配字符串的起始位置。如果設置了 MULTILINE 標志，就會變成匹配每一行的起始位置。在 MULTILINE 中，每當遇到換行符就會立刻進行匹配。

舉個例子，如果你只希望匹配位於字符串開頭的單詞 From，那么你的正則表達式可以寫為 ^From：

1. >>> print(re.search('^From', 'From Here to Eternity'))  
2. <_sre.SRE_Match object; span=(0, 4), match='From'>
3. >>> print(re.search('^From', 'Reciting From Memory'))
4. None

復制代碼

$

匹配字符串的結束位置，每當遇到換行符也會離開進行匹配。

>>> print(re.search('}$', '{block}'))  
<_sre.SRE_Match object; span=(6, 7), match='}'>
>>> print(re.search('}$', '{block} '))
None
>>> print(re.search('}$', '{block}\n'))  
<_sre.SRE_Match object; span=(6, 7), match='}'>

同樣，我們使用 \$ 來匹配 '$' 字符本身；或者包含在一個字符類中，像這樣 [$]。


\A

只匹配字符串的起始位置。如果沒有設置 MULTILINE 標志的時候，\A 和 ^ 的功能是一樣的；但如果設置了 MULTILINE 標志，則會有一些不同：\A 還是匹配字符串的起始位置，但 ^ 會對字符串中的每一行都進行匹配。


\Z

只匹配字符串的結束位置。


\b

單詞邊界，這是一個只匹配單詞的開始和結尾的零寬斷言。“單詞”定義為一個字母數字的序列，所以單詞的結束指的是空格或者非字母數字的字符。

下邊例子中，class 只有在出現一個完整的單詞 class 時才匹配；如果出現在別的單詞中，並不會匹配。

1. >>> p = re.compile(r'\bclass\b')
2. >>> print(p.search('no class at all'))  
3. <_sre.SRE_Match object; span=(3, 8), match='class'>
4. >>> print(p.search('the declassified algorithm'))
5. None
6. >>> print(p.search('one subclass is'))
7. None

復制代碼

在使用這些特殊的序列的時候，有兩點是需要注意的：第一點需要注意的是，Python 的字符串跟正則表達式在有些字符上是有沖突的（回憶之前反斜杠的例子）。比如說在 Python 中，\b 表示的是退格符（ASCII 碼值是 8）。所以，你如果不使用原始字符串，Python 會將 \b 轉換成退格符處理，這樣就肯定跟你的預期不一樣了。

下邊的例子中，我們故意不寫表示原始字符串的 'r'，結果確實大相庭徑：

1. >>> p = re.compile('\bclass\b')
2. >>> print(p.search('no class at all'))
3. None
4. >>> print(p.search('\b' + 'class' + '\b'))  
5. <_sre.SRE_Match object; span=(0, 7), match='\x08class\x08'>

復制代碼

第二點需要注意的是，在字符類中不能使用這個斷言。跟 Python 一樣，在字符類中，\b 只是用來表示退格符。


\B

另一個零寬斷言，與 \b 的含義相反，\B 表示非單詞邊界的位置。


分組

通常在實際的應用過程中，我們除了需要知道一個正則表達式是否匹配之外，還需要更多的信息。對於比較復雜的內容，正則表達式通常使用分組的方式分別對不同內容進行匹配。

下邊的例子，我們將 RFC-822 頭用“:”號分成名字和值分別匹配：

1. From: [e-mail]
2. User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
3. MIME-Version: 1.0
4. To: [e-mail]

復制代碼

像這種情況，我們就可以寫一個正則表達式先來匹配一整個 RFC-822 頭，然后利用分組功能，使用一個組來匹配頭的名字，另一個組匹配名字對應的值。

小甲魚解釋：RFC-822 是電子郵件的標准格式，當然看到這里你還不知道分組要怎么分，不急，請接着往下看......

在正則表達式中，使用元字符 ( ) 來划分組。( ) 元字符跟數學表達式中的小括號含義差不多；它們將包含在內部的表達式組合在一起，所以你可以對一個組的內容使用重復操作的元字符，例如 *，+，? 或者 {m, n}。

例如，(ab)* 會匹配零個或者多個 ab：

1. >>> p = re.compile('(ab)*')
2. >>> print(p.match('ababababab').span())
3. (0, 10)

復制代碼

使用 ( ) 表示的子組我們還可以對它進行按層次索引，可以將索引值作為參數傳遞給這些方法：group()，start()，end() 和 span()。序號 0 表示第一個分組（這個是默認分組，一直存在的，所以不傳入參數相當於默認值 0）：

1. >>> p = re.compile('(a)b')
2. >>> m = p.match('ab')
3. >>> m.group()
4. 'ab'
5. >>> m.group(0)
6. 'ab'

復制代碼

小甲魚解釋：有幾對小括號就是分成了幾個子組，例如 (a)(b) 和 (a(b)) 都是由兩個子組構成的。

子組的索引值是從左到右進行編號，子組也允許嵌套，因此我們可以通過從左往右來統計左括號 ( 來確定子組的序號。

1. >>> p = re.compile('(a(b)c)d')
2. >>> m = p.match('abcd')
3. >>> m.group(0)
4. 'abcd'
5. >>> m.group(1)
6. 'abc'
7. >>> m.group(2)
8. 'b'

復制代碼

group() 方法可以一次傳入多個子組的序號：

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

復制代碼

小甲魚解釋：start() 是獲得參數子組的開始位置；end() 是獲得對應子組的結束位置；span() 是獲得對應子組的范圍。

我們還特么可以通過 groups() 方法一次性返回所有的子組匹配的字符串：

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

復制代碼

還有一個反向引用的概念需要介紹。反向引用指的是你可以在后面的位置使用先前匹配過的內容，用法是反斜杠加上數字。例如 \1 表示引用前邊成功匹配的序號為 1 的子組。

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

復制代碼

如果只是搜索字符串，反向引用不會被用到，因為很少有文本格式會這樣來重復字符。但是，你很快會發現，在字符串替換的時候，反向引用是非常有用的（深井冰）！

小甲魚注釋：注意，在 Python 的字符串中會使用反斜杠加數字的方式來表示數字的值對應的 ASCII 字符，所以在使用反向索引的正則表達式中，我們依然強調要使用原始字符串。