Python中的正则表达式（3）

模块级别的函数

不必每次都先创建样式对象再调用函数，re模块同时提供了高层次的函数如match()，search（）,findall()，sub()等等，这些函数带有相应样式方法相同的参数，只要把相应样式字符串当作第一个参数，同样可以返回None或MatchObject对象。

>>>printre.match(r'From\s+','Fromageamk')

None

>>>re.match(r'From\s+','FromamkThuMay1419:12:101998')

<_sre.SRE_Matchobjectat0x...>

在括号中，这些函数创建了一个样式对象，然后调用了基于此对象的方法，同时将编译后的样式对象存储在缓冲区中，这样以后使用相同的样式对象就可以更快。

是应当直接使用这些模块函数，还是应当先创建样式对象再调用它们呢？这取决于样式对象调用的频率和你自己的编译风格：如果仅仅使用一次，模块函数会更方便；如果程序中包含多个样式对象，或者需要在不同的地方调用，最好还是先赋值给一个变量再随后使用该变量。例如标准库中的例子（来自xmllib.py）：

ref=re.compile(...)

entityref=re.compile(...)

charref=re.compile(...)

starttagopen=re.compile(...)

我通常更喜欢使用编译过的对象，即使在只使用一次的情况下，不过有些人在这方面就认真多了。

编译标记符

使用编译标记符可以调整正则表达式某些方面的运行方式。在re模块里，有两种标记形式：长形式如IGNORECASE，以及简短形式，只有一个字母，如L，它和Perl的样式修饰符相同，例如re.VERBOSE的简短形式是re.X。多个标记符可以使用位运算OR，如re.I|re.M同时设定了两个标记符I和M。

下面表格显示了这些标记符，详细解释见后：

标记符	含义
DOTAL	使句号.匹配任何字符，包含新行，如果没有则匹配除新行外的所有字符
IGNORECASE,I	区分大小写，例如[A-Z]同样会匹配小写字母，Spam可以匹配Spam，spam或spAM等。注意不包括环境设置，除非设置了LOCALE标记符。
LOCALE,L	匹配当前语言环境设置。这种情况下\w，\W，\b和\B基于当前的环境设置。环境（Locale）是C库中帮助书写程序时考虑到语言差异的概念。例如在处理法语时，可能会想用\w+匹配单词，但其实\w只能匹配[A-Za-z]，对于法语中的特殊字母不能匹配，但是如果正确配置了系统并选择了法语环境，特定的C语言函数会将这些特殊法语字母当作一个英文字母。简言之，设置LOCALE标签可以使用这些C语言函数处理\w以匹配法语字母，不过会降低运行速度。
ULTILINE,M	多行匹配，影响^和$。（^和$将在“其他元字符”一节中介绍）通常^只匹配字符串的开头，$只匹配字符串的结尾以及在新行（如果存在）前字符串的结尾。当此标记设定，^将匹配字符串的开头以及字符串的的一行开始，而$将匹配字符串的结尾以及每一行的结尾。
VERBOSE,X	详细显示模式，组织清晰以利于理解。这个标记符允许更加灵活的书写格式以利于阅读。当设定此标记符时，正则表达式中的空格将被忽略，除非空格是在一个字符组合中或前面加了\，从而允许组织和缩进更加清晰。它同时允许在正则表达式中添加注释，注释以#（注意不能在字符组合或前面有\）标记，它将被匹配引擎忽略。
UNICODE,U	在这种情况下一些控制符如\w、\b、\s和\d基于Unicode编码。

下面是一个使用re.VERBOSE的例子，是不是可读性大大提高了？

charref=re.compile(r"""

&[#] #数字的起始

(

0[0-7]+ #八进制

|[0-9]+ #十进制

|x[0-9a-fA-F]+ #十六进制

)

; #分号

""",re.VERBOSE)

如果不使用此模式，正则表达式如下所示：

charref=re.compile("&#(0[0-7]+"

"|[0-9]+"

"|x[0-9a-fA-F]+);")

在上面的例子中，虽然使用了Python中的字符串自动连接特性将正则表达式分解为几个小字符串，但相比使用re.VERBOSE模式仍然难于阅读。

正则表达式样式的更多应用

目前为止我们仅仅介绍了正则表达式的一部分特征，本节中将介绍更多的元字符，以及使用分组来检索匹配的文字。

其他元字符

本节将介绍前面没有涉及的一些元字符。

这些元字符包括一些“零宽度断言”——它们不会使匹配引擎扫描字符串，事实上它们根本不占用字符，例如\b表示当前位置是一个单词的边界，而这个边界并没有因为\b而改变，这意味着“零宽度断言”不应当被重复多次，因为如果它们在一个给定的位置上匹配成功，那么也肯定能在无数次重复后匹配成功。

|表示“或”操作符。如果A和B是正则表达式，A|B将匹配那些能够匹配A或B的字符串，为了使交换包含多个字符的字符串更加恰当，它的优先级很低。Crow|Servo将匹配Crow或者Servo，而非Cro，w，S或者ervo。

为了能够匹配字符|，使用\|或者[|]。

^匹配一行的开始。除非设定了MULTILINE标记符，它只会匹配字符串的起始；在MULTILINE模式下，它也会匹配字符串中的一行开始处。

例如，如果希望在一行起始处匹配单词From，应当使用正则表达式^From。

>>>printre.search('^From','FromHeretoEternity')

<_sre.SRE_Matchobjectat0x...>

>>>printre.search('^From','RecitingFromMemory')

None

$匹配一行的结尾——字符串的结尾或者换行处。

>>>printre.search('}$','{block}')

<_sre.SRE_Matchobjectat0x...>

>>>printre.search('}$','{block}')

None

>>>printre.search('}$','{block}\n')

<_sre.SRE_Matchobjectat0x...>

如果试图匹配字符$，应当使用\$或者[$]。

\A只匹配字符串的起始处。当不是在MULTILINE模式时，\A和^效果相同；而在MULTILINE模式下则不同——\A依然仅仅匹配字符串的起始处，而^将匹配字符串的新行起始处或字符串起始处。

\Z仅仅匹配字符串的结束。

\b表示匹配单词边界。它是一个“零宽度断言”，表明仅仅匹配单词的开始或者结尾。这里的“单词”表示字母序列，所以“单词结尾”表明遇见了空白或非单词的字符。

下面的实例中仅仅在字符串是单纯的一个单词时才会匹配，当包含在其他单词中则不能匹配。

>>>p=re.compile(r'\bclass\b')

>>>printp.search('noclassatall')

<_sre.SRE_Matchobjectat0x...>

>>>printp.search('thedeclassifiedalgorithm')

None

>>>printp.search('onesubclassis')

None

当使用\b特殊序列时应当注意两点：第一，这是Python的字符串与正则表达式序列冲突最严重的一个，前者中\b表示退格，其ASCII值为8，如果不使用纯字符串模式，Python会将\b解释为退格，那么正则表达式的行为将不是你想要的。下面这个例子焉上面的例子相同，但是去掉了样式字符串前面的r：

>>>p=re.compile('\bclass\b')

>>>printp.search('noclassatall')

None

>>>printp.search('\b'+'class'+'\b')

<_sre.SRE_Matchobjectat0x...>

第二，在字符集合中，这个断言没有用，\b表示退格字符以与Python的字符串相兼容。

\B是另外一个零字符断言，与\b意义相反，它仅仅在当前位置上不是单词边界时才进行匹配。