python re.match（）用法相關 正則表達式

學習python爬蟲時遇到了一個問題，書上有示例如下：

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*)are(.*?).*',line)

if matchObj:
    print('matchObj.group():',matchObj.group())
    print('matchObj.group(1):', matchObj.group(1))
    print('matchObj.group(2):', matchObj.group(2))
else:
    print('No match!\n')

書上的期望輸出是：

matchObj.group(): Cats are smarter than dogs
matchObj.group(1): Cats 
matchObj.group(2):smarter

但是我在電腦上跑了一遍得到的輸出卻是：

matchObj.group(): Cats are smarter than dogs
matchObj.group(1): Cats 
matchObj.group(2):

於是開始想辦法徹底搞清楚這個差別的原因所在。

首先要讀懂這幾行代碼，而這一行代碼的關鍵在於這一句：

matchObj=re.match(r'(.*)are(.*?).*',line)

匹配的正則表達式是

(.*)are(.*?).*
前面的r表示的是匹配的字符不進行轉義，而要匹配的字符串是line，也就是

Cats are smarter than dogs
后面使用group（num），個人理解是，按照正則表達式中的括號數可以捕獲得到對應數量的捕獲組，而調用group（num）就可以得到對應捕獲組的內容，
其中group（0）表示的是匹配的整個表達式的字符串，在本例中就是‘Cats are smarter than dogs’。
參照網上可以搜到的符號的作用：
.匹配除換行符以外的任意字符
*重復之前的字符零次或更多次
？重復之前的字符零次或一次
那么第一個括號的內容，應當就是匹配要匹配的字符串中are之前的所有字符（除換行符），
而第二個括號的內容應當是匹配are之后的內容，但具體想指代什么卻顯得有些不明確。
不明確的點就在於*和？這兩個符號的連用，根據優先級這兩個符號是同一優先級的，那么應當按照順序生效，那么如此翻譯的話，這一語句匹配的就是長度為0到無限大的任意字符串，為了探清此時
程序判斷的具體內容，我們給匹配字符串末尾的.*也加上括號以提取其內容，而后在輸出部分加上對應語句：

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*)are(.*?)(.*)',line)

if matchObj:
    print("matchObj.group():",matchObj.group())
    print("matchObj.group(1):", matchObj.group(1))
    print("matchObj.group(2):", matchObj.group(2))
    print("matchObj.group(3):", matchObj.group(3))
else:
    print('No match!\n')

得到的結果是：

matchObj.group(): Cats are smarter than dogs
matchObj.group(1): Cats 
matchObj.group(2): 
matchObj.group(3):  smarter than dogs

可見第二個括號里的內容被默認為空了，然后刪去那個？，可以看到結果變成：

matchObj.group(): Cats are smarter than dogs
matchObj.group(1): Cats 
matchObj.group(2):  smarter than dogs
matchObj.group(3): 

那么這是否就意味着？的默認值很可能是0次，那？這個符號到底有什么用呢

仔細想來這個說法並不是很嚴謹。嘗試使用單獨的.?組合可以看到這個組合可以用於提取

單個不知道是否存在的字符，而如下代碼

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*) are(.*)?',line)

if matchObj:
    print("matchObj.group():",matchObj.group())
    print("matchObj.group(1):", matchObj.group(1))
    print("matchObj.group(2):", matchObj.group(2))

也能在組別2中正常提取到are之后的字符內容，但稍微改動一下將？放到第二個括號內，

就什么也提取不到，同時導致group(0)中匹配的字符到Cats are就截止了（也就是第二個括號匹配失敗）。

令人感到奇怪的是，如果將上面的代碼改成

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*) are (.*)+',line)

if matchObj:
    print("matchObj.group():",matchObj.group())
    print("matchObj.group(1):", matchObj.group(1))
    print("matchObj.group(2):", matchObj.group(2))

也就是僅僅將？改為+，雖然能成功匹配整個line但group(2)中沒有內容，

如果把+放到第二個括號中就會產生報錯，匹配失敗。

那么是否可以認為.*?這三個符號連用只是一個不規范的操作，但由於？的特殊性所以沒有報錯反而匹配成功了呢？

具體的可能要研究代碼本身的機理了，暫且擱置。還有一個問題就是如何達到樣例本身想要的，用第二個括號提取單個單詞的目的。

如果單單考慮這個例子的話，把原本第二個括號中的?換成r就可以了，也就是如下代碼：

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*) are (.*r).*',line)

if matchObj:
    print("matchObj.group():",matchObj.group())
    print("matchObj.group(1):", matchObj.group(1))
    print("matchObj.group(2):", matchObj.group(2))
    #print("matchObj.group(3):", matchObj.group(3))
else:
    print('No match!\n')

為了泛用性嘗試了一下把r改成‘ ’但是得到的結果是‘smarter than ’。於是嘗試把.換成表示任意字母的

[a-zA-Z]，成功提取出了單個smarter，代碼如下：

import re

line='Cats are smarter than dogs'
matchObj=re.match(r'(.*) are ([a-zA-Z]* ).*',line)

if matchObj:
    print("matchObj.group():",matchObj.group())
    print("matchObj.group(1):", matchObj.group(1))
    print("matchObj.group(2):", matchObj.group(2))
    #print("matchObj.group(3):", matchObj.group(3))
else:
    print('No match!\n')