06.位置匹配 (Python)

最新推荐文章于 2024-04-24 13:35:29 发布

CrazyDragon_King

最新推荐文章于 2024-04-24 13:35:29 发布

阅读量925

点赞数

分类专栏： python 正则表达式 RE 文章标签： python 正则表达式 unix

本文链接：https://blog.csdn.net/qq_40734247/article/details/126335219

版权

python 同时被 2 个专栏收录

21 篇文章 1 订阅

订阅专栏

正则表达式 RE

9 篇文章 0 订阅

订阅专栏

第 6 章节位置匹配

位置匹配: 对文本中特定位置进行匹配.

6.1 边界

位置匹配用于指定应该在文本中什么地方进行匹配操作.

直接来看代码吧!

import re

# 测试文本
text = """
The cat scattered his food all over the room.
"""

# 正则表达式
REGEXP = r'cat'

# 编译
pattern = re.compile(REGEXP)

# 匹配所有, 返回值是匹配结果的数组
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

# 匹配所有, 返回值是匹配对象的迭代器
ms = pattern.finditer(text)
if ms:
    for m in ms:
        print(m)

在这里插入图片描述

分析: 模式 cat可以匹配文本中所有的 cat, 上面结果截图中的 span 即是匹配到的字符的起始位置和结束位置. 所以它其实匹配到了单词 cat 和 scattered 中的 cat. 所以为了能够正确的进行匹配, 我们需要用到边界的概念.

6.2 单词边界

第一种边界 (也是最常用的) 是由 \b 指定的单词边界. 所以, \b 是用来匹配一个单词的开头或结尾. 我们来演示一下它的使用方法.

注意: b 是英文 boundary (边界) 的首字母.

模式改为了: \bcat\b

import re

# 测试文本
text = """
The cat scattered his food all over the room.
"""

# 正则表达式
REGEXP = r'\bcat\b'

# 编译
pattern = re.compile(REGEXP)

# 匹配所有, 返回值是匹配结果的数组
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

# 匹配所有, 返回值是匹配对象的迭代器
ms = pattern.finditer(text)
if ms:
    for m in ms:
        print(m)

在这里插入图片描述

分析: 单词 cat 的前后都有一个空格, 所以匹配模式 \bcat\b (空格是用来分隔单词的字符之一). 该模式并不匹配单词 scattered 中的字符序列 cat, 因为它的前一个字符 s, 后一个字符 t (这两个字符都不能与 \b 相匹配).

注意: \b 到底匹配什么呢? \b 匹配的是字符之间的一个位置: 一边是单词 (能够被 \w 匹配的字母数字数字字符和下划线), 另一边是其他内容 (能够被 \w 匹配的字符.).

所以, 如果你想要匹配一个完整的单词, 就必须在要匹配的文本的前后都加上 \b. 下面再来看一个例子:

模式: \bcap

import re

# 测试文本
text = """
The captain wore his cap and cape proudly as 
be sat listening to the recap of how his 
crew saved the men from a capsized vessel.
"""

# 正则表达式
REGEXP = r'\bcap'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

在这里插入图片描述

模式 \bcap 匹配任何以字符序列 cap 开头的单词. 这里总共找到了 4 个匹配, 其中有 3 个都不是独立的单词 cap.

然后将模式改为: cap\b, 则运行结果如下:
在这里插入图片描述

它匹配以字符序列 cap 结束的任意单词. 这里总共找到了 2 个匹配, 其中有一个不是独立的单词 cap. 如果你想要匹配单词 cap 本身, 那么正确的模式应该是 \bcap\b.

注意: \b 匹配的是一个位置, 而不是任何实际的字符. 用 \bcap\b 匹配到的字符串的长度是 3 个字符 (c, a, p), 不是 5 个字符.

如果你不想匹配单词边界, 那么可以使用 \B.

注意: 同一个元字符的大写形式与它的小写形式在功能上往往刚好相反.

在下面例子中, 我们将使用 \B 来查找前后都有多余空格的连字符:

模式: \B-\B

import re

# 测试文本
text = """
Please enter the nine-digit id as it
appears on your color - coded pass-key.
"""

# 正则表达式
REGEXP = r'\B-\B'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

ms = pattern.finditer(text)
if ms:
    for m in ms:
        print(m)

在这里插入图片描述

分析:\B-\B 将匹配一个前后都不是单词边界的连字符. nine-digit 和 pass-key 中的连字符都不能与之匹配, 但 color - coded 中的连字符可以与之匹配 (因为空格和连字符都不属于 \w).

这个东西感觉理解起来不是那么直观了, \B匹配的不是单词的边界, 也就是 \W 的内容了. 我尝试把模式换成了 \W-\W, 这样也是可以匹配到的, 但是它匹配的是三个字符了, 前后的空格+中间的连字符了.

6.2 字符串边界

单词边界可以对单词位置进行匹配 (单词的开头, 单词的结尾, 整个单词等). PS: 感觉可以用来查找单词的词根和词缀.

字符串边界用于在字符串首尾进行模式匹配, 字符串边界元字符有两个: ^ 代表字符串开头, $ 代表字符串结尾.

注意在之前的学习中, 我们学习了 ^ 用来排除某个字符集合. 如果它不是出现在字符集合的开头, 并且出现在模式的开头, 它将匹配字符串的起始位置.

下面是一个例子用来演示字符串边界的用法. 有效的 XML 文档都必须以 <?xml> 标签开头, 另外可能还包含一些其他属性 (比如版本号), 下面的这个简单的测试可以检查一段文本是否位 XML 文档.

import re

# 测试文本
text = """
<?xml version"1.0" encoding="UTF-8" ?>
<wsdl:definitions targetNamespace="http://tipe.cf"
xmlns:impl="http://tipe.cf" xmlns:intf="http://tips.cf"
xmlns:apachesoap="http://xml.apache.org/xml-soap"
"""

# 正则表达式
REGEXP = r'<\?xml.*\?>'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

在这里插入图片描述

分析: 该模式似乎管用. <\?xml 匹配 <?xml, .* 匹配随后的任意文本,\?> 匹配结尾的 ?>.

但是, 这个测试非常不准确. 例如下面这个例子, 在 xml 的开头添加了一行文字, 这样就是一个非法的 xml 文档了:

import re

# 测试文本
text = """
This is bad, real bad!
<?xml version"1.0" encoding="UTF-8" ?>
<wsdl:definitions targetNamespace="http://tipe.cf"
xmlns:impl="http://tipe.cf" xmlns:intf="http://tips.cf"
xmlns:apachesoap="http://xml.apache.org/xml-soap"
"""

# 正则表达式
REGEXP = r'<\?xml.*\?>'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

在这里插入图片描述

分析: 这样上面的模式匹配到的是第 2 行文本. 因为 XML 文档的起始标签出现在了第 2 行, 所以这肯定不是有效的 XML 文档 (将其作为 XML 文档来处理会导致各种问题).

这里需要的测试是能够确保 XML 文档的起始标签 <?xml> 出现在字符串最开始处, 而这正是 ^ 字符大显身手的地方, 如下所示:

import re

# 测试文本
text = """
<?xml version"1.0" encoding="UTF-8" ?>
<wsdl:definitions targetNamespace="http://tipe.cf"
xmlns:impl="http://tipe.cf" xmlns:intf="http://tips.cf"
xmlns:apachesoap="http://xml.apache.org/xml-soap"
"""

# 正则表达式
REGEXP = r'^\s*<\?xml.*\?>'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

在这里插入图片描述

这里多匹配了一个 \n, 这是 Python 的字符串语法造成的, 不过它也并不影响 XML 文档的功能.

分析: ^ 匹配一个字符串的开头位置, 所以 ^\s* 匹配字符串开头和随后的零个或多个空白字符 (这解决了 <?xml> 标签前允许出现的空格, 制表符, 换行符的问题). 作为一个整体, 模式 ^\s*<\?xml.*\?> 不仅能匹配带有任意属性的 XML 起始标签, 还可以正确处理空白字符.

注意虽然模式 ^\s*<\?xml.*\?>解决了上面的问题, 但是这只是以为上面的 XML 文档是不完整的, 因为匹配中间任意字符使用的是贪婪量词, 所以实际使用时, 需要分清楚情况使用贪婪量词还是它的懒惰型 .*?.

$ 的用法也差不多, 它可以用来检查 web 页面结尾的 </html> 标签后面没有任何内容.

正则表达式位: </[Hh][Tt][Mm][Ll]>\s*$.

这里使用四个字符集合, 是用来处理 HTML 标签的任意大小写问题, \s*$ 匹配一个字符串结尾处的零个或多个空白符.

6.3 多行模式

我们的主要知识点还是单词边界和字符串边界, 下面的内容不是十分重要.

前面已经介绍过了, ^ 和 $ 通常分别匹配字符串的首尾位置.

许多正则表达式支持通过一些特殊的元字符去改变另外一些元字符的行为, (?m) 就是其中之一, 它可以用于启动多行模式 (multiline mode). 多行模式迫使正则表达式引擎将换行符视为字符串分隔符, 这样一来, ^ 既可以匹配字符串开头, 也可以匹配换行符之后的起始位置 (新行); $不仅能匹配字符串结尾, 还能匹配换行符之后的特殊位置.

下面来看一个例子, 使用正则表达式找出一段 JavaScript 代码里的所有注释内容:

import re

# 测试文本
text = """
<script>
function doSpellCheck(form, field) {
    // make sure not empty
    if (field.value == '') {
        return false
    }

    // Init
    var windowName = 'spellWindow';
    var spellCheckURL = 'spell.cfm?formname=comment&fieldname=' + field.name;
    ...
    // Done
    return false;
}
</script>
"""

# 正则表达式
REGEXP = r'(?m)^\s*//.*$'

# 编译
pattern = re.compile(REGEXP)

# 匹配
rs = pattern.findall(text)
if rs:
    print(rs)
else:
    print("No match!")

在这里插入图片描述

分析: ^\s* 匹配字符串的开头, 然后是任意多个空白符, 接着是 \/\/(行注释符号), 再往后是任意文本, 最后是字符串的结尾.

如果去掉了 (?m) 这里测试是无法匹配到任何结果的 (因为它匹配的是字符串的开头), 不过在 Python 里面也有其它方式启用多行模式 pattern = re.compile(REGEXP, re.M) 这样的话, 没有 (?m) 也是可以进行匹配的.

注意: 因为我用的是原始字符串, 所以没有进行转义.

6.4 小结

正则表达式不仅可以用来匹配任意长度的文本块, 还可以用来匹配出现在字符串中特定位置的文本. \b 用来指定一个单词边界 (\B 刚好相反). ^ 和 $ 用来指定字符串边界 (字符串的开头和结尾). 如果与 (?m) 配合使用, ^ 和 $ 还可以匹配换行符之前或之后的字符串.