2019-03-11 Python

Python re 模块提供了正则表达式的 API。关于 Python 支持的正则表达式语法，这里不介绍，仅介绍如何使用这些 API。

1. 编译正则表达式

正则表达式通过 re.compile() 编译成模式（pattern）对象，模式对象拥有匹配、搜索和替换等操作。

>>> import re
>>> p = re.compile('ab*')
>>> p
re.compile('ab*')

re.compile() 可以传入额外的 flag 参数，用于设置额外的特性，如忽略大小写：

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

正则表达式以字符串的形式被传入 re.compile()。

使用字符串来表示正则表达式使得 Python 语言简单了一些，但实际上引入了下面一个问题。

2. 讨厌的反斜杠

在正则表达式中，反斜杠 \ 有着特殊含义，例如 \s 代表空白。但是在 Python 字符串中，反斜杠也有特殊作用，它们会和后面的字符形成转义字符。

比如你要写一个匹配字符串 \section 的正则表达式，那么这个正则表达式应为 \\section（要把第一个反斜杠转义）。但如果要把它放进 Python 的字符串中，你又要把这两个反斜杠都转义才行——\\\\section。看起来十分丑陋，对吧。

所以最好的方法就是使用 raw-string 来使得 Python 不要对反斜杠进行转义，那么上面的正则表达式就可以写为 r"\\section"。

3. 匹配

当你编译好一个模式对象后，可以使用它的一些最常用的方法来进行你需要的匹配操作，如下表：

match() 和 search() 如果没有匹配到，则会返回 None。如果成功匹配，则会返回一个 match 对象，包含这次匹配的信息：从哪里开始、从哪里结束、匹配的子串等等。

注：在 CPython 发行版的 Tools/demo/redemo.py 文件可以用图形界面测试和 Debug 正则表达式。

示例：

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

>>> m = p.match('tempo')
>>> m
<re.Match object; span=(0, 5), match='tempo'>

现在你可以通过 match 对象来获知本次匹配的信息。match 对象支持以下方法：

示例：

>>> m.group()
'tempo'
>>> m.start(), m.end()
(0, 5)
>>> m.span()
(0, 5)

因为 match() 是匹配字符串开头的，所以它的结果的 start() 总是 0；而 search() 则扫描一遍字符串，找到第一个匹配的地方。

在日常应用中，最常用的做法是将 match 对象存在变量中，然后判断这个变量是否为 None，如下：

p = re.compile( ... )
m = p.match( 'string goes here' )
if m:
    print('Match found: ', m.group())
else:
    print('No match')

match() 和 search() 都只能匹配一个地方。使用 findall() 和 finditer() 可以返回字符串中所有的匹配。注意：findall() 返回的是字符串列表，而 finditer() 返回的是 match 对象的迭代器。例如：

>>> iterator = p.finditer('12 drummers drumming, 11 ... 10 ...')
>>> iterator  
<callable_iterator object at 0x...>
>>> for match in iterator:
...     print(match.span())
...
(0, 2)
(22, 24)
(29, 31)

4. 纯函数

上面介绍的都是 re 模块提供的 OOP 的接口，re 模块还提供了一些纯函数 match()、search()、findall() 和 sub() 等。这些函数的第一个参数为一个表示正则表达式的字符串，第二个参数是要匹配的字符串。例如：

>>> print(re.match(r'From\s+', 'Fromage amk'))
None
>>> re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')  
<re.Match object; span=(0, 5), match='From '>

事实上这些函数的内部也是创建了一个临时的 pattern 对象，并且调用 pattern 对象的方法。

5. 编译时的 flags

re 模块提供了一些编译选项，用来调整编译的特性。这些 flags 可以用“按位或” | 来组合，也支持缩写。支持的选项有：

（本文完）