模块级别的函数
使用正则表达式也并非一定要创建模式对象,然后调用它的匹配方法。因为,re 模块同时还提供了一些全局函数,例如 match()
,search()
,findall()
,sub()
等等。这些函数的第一个参数是正则表达式字符串,其他参数跟模式对象同名的方法采用一样的参数;返回值也一样,同样是返回 None 或者匹配对象。
>>> print(re.match(r'From\s+', 'From_Fish.com'))
None
>>> re.match(r'From\s+', 'From Fish.com')
<_sre.SRE_Match object; span=(0, 5), match='From '>
其实,这些函数只是帮你自动创建一个模式对象,并调用相关的函数。它们还将编译好的模式对象存放在缓存中,以便将来可以快速地直接调用.
那我们到底是应该直接使用这些模块级别的函数呢,还是先编译一个模式对象,再调用模式对象的方法呢?这其实取决于正则表达式的使用频率,如果说我们这个程序只是偶尔使用到正则表达式,那么全局函数是比较方便的;如果我们的程序是大量的使用正则表达式(例如在一个循环中使用),那么建议你使用后一种方法,因为预编译的话可以节省一些函数调用。但如果是在循环外部,由于得益于内部缓存机制,两者效率相差无几。
编译标志
编译标志让你可以修改正则表达式的工作方式。在 re
模块下,编译标志均有两个名字:完整名和简写,例如 IGNORECASE
简写是 I
(例如 re.VERBOSE
的简写是 re.X
)。另外,多个标志还可以同时使用(通过“|”
),如:re.I | re.M
就是同时设置 I
和 M
标志。
下边列举一些支持的编译标志:
标志 | 含义 |
---|---|
ASCII, A | 使得转义符号如 \w,\b,\s 和 \d 只能匹配 ASCII 字符 |
DOTALL , S | 使得 . 匹配任何符号,包括换行符 |
IGNORECASE , I | 匹配的时候不区分大小写 |
LOCALE, L | 支持当前的语言(区域)设置 |
MULTILINE , M | 多行匹配,影响 ^ 和 $ |
VERBOSE , X (for 'extended' ) | 启用详细的正则表达式 |
下面我们来详细讲解一下它们的含义:
A
ASCII
使得 \w
,\W
,\b
,\B
,\s
和 \S
只匹配 ASCII
字符,而不匹配完整的 Unicode
字符。这个标志仅对 Unicode 模式有意义,并忽略字节模式。
S
DOTALL
使得 .
可以匹配任何字符,包括换行符。如果不使用这个标志,. 将匹配除了换行符的所有字符。
I
IGNORECASE
字符类和文本字符串在匹配的时候不区分大小写。举个例子,正则表达式 [A-Z]
也将会匹配对应的小写字母,像 Fish 可以匹配 fish 或 FISHC 等。如果你不设置 LOCALE
,则不会考虑语言(区域)设置这方面的大小写问题。
L
LOCALE
使得 \w
,\W
,\b
和 \B
依赖当前的语言(区域)环境,而不是 Unicode 数据库。
区域设置是 C 语言的一个功能,主要作用是消除不同语言之间的差异。例如你正在处理的是法文文本,你想使用 \w+
来匹配单词,但是 \w
只是匹配 [A-Za-z]
中的单词,并不会匹配 'é'
或 'ç'
。如果你的系统正确的设置了法语区域环境,那么 C
语言的函数就会告诉程序 'é'
或 'ç'
也应该被认为是一个字符。当编译正则表达式的时候设置了 LOCALE
的标志,\w+
就可以识别法文了,但速度多少会受到影响。
M
MULTILINE
通常 ^
只匹配字符串的开头,而 $
则匹配字符串的结尾。当这个标志被设置的时候,^
不仅匹配字符串的开头,还匹配每一行的行首;$
不仅匹配字符串的结尾,还匹配每一行的行尾。
X
VERBOSE
这个标志使你的正则表达式可以写得更好看和更有条理,因为使用了这个标志,空格会被忽略(除了出现在字符类中和使用反斜杠转义的空格);这个标志同时允许你在正则表达式字符串中使用注释,# 符号后边的内容是注释,不会递交给匹配引擎(除了出现在字符类中和使用反斜杠转义的 #)。
下边是使用 re.VERBOSE
的例子,大家看下正则表达式的可读性是不是提高了不少:
charref = re.compile(r"""
&[#] # 开始数字引用
(
0[0-7]+ # 八进制格式
| [0-9]+ # 十进制格式
| x[0-9a-fA-F]+ # 十六进制格式
)
; # 结尾分号
""", re.VERBOSE)
如果没有设置 VERBOSE
标志,那么同样的正则表达式会写成:
charref = re.compile("&#(0[0-7]+|[0-9]+|x[0-9a-fA-F]+);")
解释:
哪个可读性更佳?(因为在正则表达式的式子里面,如果没有开启VERBOSE,那么将不能随意添加空格,换行,TAB键;但是如果开启了VERBOSE(详细表达式模式),那么就可以随意加入添加空格,换行,TAB键,以及注释)