MyEssay 之 Python正则表达式 —— 点滴随记

• 正则表达式pattern一定要使用raw string形式，即使用 r"..." 形式，这是因为包括 '\b'、'\1' 等字符，既是ASCII特殊字符，又是正则表达式特殊字符。如果在pattern string中没有使用 r"..." 形式，则必须使用形如 "\\b"、"\\1" 这样的转义表达，否则python解释器将会首先把 "\b" 当做ASCII特殊字符中的回退字符处理，把 "\1" 当做八进制的数来处理，这样就会出现形如 re.findall("\bthe\b", "the python is the best") 结果却为空列表的怪事。使用了raw string的形式之后，python解释器不会对字符串中的反斜线 "\" 进行转义处理，完整的 "\b" 会被发送至正则表达引擎，这样才会被当做单词边界标志来处理。 
  
  
• 在正则表达式pattern中使用 (?P<group_name>...) 扩展模式时，如果...部分匹配成功，则可以在三种情况下使用 "groupName" 来对匹配内容进行检索和使用，被测字符串 strTest = "010 : 010-12345678"
  (1)、 pattern 字符串本身中使用 (?P=group_name)来引用匹配成功的内容，例如  result = re.match(r"(?P<areacode>\b\d+\b)[ ]:[ ](?P=areacode)-(?P<number>\d+)", strTest)
  (2)、 match object中可以使用 match.group("group_name") 来引用匹配的内容，例如 result.group("areacode") 或者 result.groupdict("areacode") 结果为 "010"
  (3)、 在正则匹配替换方法的repl参数中，可以使用 \g<group_name> 来引用pattern中匹配的内容，例如 re.sub(r"(?P<areacode>\b\d+\b)[ ]:[ ](?P=areacode)-(?P<number>\d+)", "\g<areacode> - (\g<areacode>)\g<number>", strTest) 结果为 '010 - (010)12345678'，上述语句等效于 re.sub(r"(\b\d+\b)[ ]:[ ]\1-(\d+)", "\g<1> - (\g<1>)\g<2>", strTest)
  
  
• 扩展表达式 (?:...) 的主要作用是，用于构建包含符合指定匹配规则的子字符串（即...的正则表达式匹配的内容），且匹配的子字符串我们并不关注它的具体内容的匹配内容，该匹配内容作为整体可以和*、?、+、| 等特殊字符配合使用时进行占位，最终这样的匹配内容不会保存到match object的groups中。例如需要判断一个字符串是否是合法的email地址，并且从中提取出邮箱名来：
  

  >>>re.search(r"\b(?P<emailName>(?:\w|[\.-])+)@(?P<suffix>(?:\w+\.)+(?P<type>\w+))", "ralph.test-2@yahoo.com.cn").groups()
  ('ralph.test-2', 'yahoo.com.cn', 'cn')

  pattern中的 (?:\w|[\.-]) 和 (?:\w+\.) 都是匹配了一个子字符串，并和+字符配合来进行复杂的占位，但是并没有在最终的匹配结果的group中保存这两个匹配结果
  
  
• 对于在pattern中使用 (...) 或 (?P<name>...) 方式进行匹配并保存的内容，如果没有匹配成功，仍然会在结果的group中占用一个结果，只是值为None。例如：
  

  >>> re.search(r"(?:(?P<areacode>\b\d+\b)(?:\s*-\s*))?(?P<number>\b\d+\b)", "0755 - 12345678").groups()
  ('0755', '12345678')
  >>> re.search(r"(?:(?P<areacode>\b\d+\b)(?:\s*-\s*))?(?P<number>\b\d+\b)", "12345678").groups()
  (None, '12345678')
  
  

• 对于上例这种 re.search(r"(?:(?P<areacode>\b\d+\b)(?:\s*-\s*))?(?P<number>\b\d+\b)", "0755 - 12345678").groups() 较复杂的pattern，最好使用 re.VERBOSE 或 re.X 标志，或者使用 (?x) 扩展表达式方式来格式化书写，并加入注释例如：
  

  >>> re.search(r"""(?x)
          (?:
              (?P<areacode>\b\d+\b)     # the area code group
              (?:\s*-\s*)                       # the connection token
          )? # the possible whole area code part
  
          (?P<number>\b\d+\b) # the phone number group
          """, "0755-12345678").groupdict()
  {'areacode': '0755', 'number': '12345678'}
  
  

• 每一个match object都有至少一个group，其值为match object对应的子字符串，即执行matchObj.goup() 或 matchObj.group(0) 都将返回完整的匹配子字符串。当pattern中通过(...)或(?P<name>...)方式定义了其他的group时，matchObj.group(N)将会返回对应的group子字符串。
  而match object的 groups() 函数则会一个tuple，其中的每个值对应于在pattern中通过(...)或(?P<name>...)方式定义的一个group匹配的子字符串，如果pattern中没有定义group则groups()函数返回的是一个空tuple。
  ——因此 matchObj.group(N) 的值等同于 matchObj.groups()[N-1]，N>0
  
  
• re.search() 函数：
      对目标字符串从左至右进行扫描，一旦发现符合pattern的子字符串（但符合pattern的子字符串的起点并不一定等于目标字符串的起点），就停止继续向右扫描，而返回match object
  re.match() 函数：
      对目标字符串从最左侧开始处进行pattern模式的匹配，如果向右移动至某个位置时匹配成功，就停止继续向右扫描，而返回match object
  
  re.findall() 函数：
      对目标字符串从左至右进行扫描，将会扫描直至目标字符串的结尾，并查找出整个目标字符串中所有符合pattern的子字符串，并返回这些子字符串对应的match object的groups()函数返回的tuple构成的list，如果每个match object的groups()函数返回的是空tuple，则findall()返回的则是多个匹配pattern的子字符串构成的list
  
  re.finditer()函数：
      的工作方式与findall()类似，只是其返回值不是一个常驻内存的list，而是一个generator，当遍历这个generator时，实时运算得到一个match object并返回，当一次遍历完成后，这个generator中的内容也就销毁不再占用内存空间了，即再次对这个generator进行遍历不会得到任何内容了
  
  ——因此search和match函数最多只能得到一个匹配对象，而findall和finditer函数能够得到所有的匹配对象，示例如下：
  
  >>>strTest = '010 : 010-12345678\nBeijing\n020 : 020-23456789\nGuangzhou\n021 : 021-34567890\nShanghai'
  

  >>> re.search(r"(?sm)^(?P<areacode>\d+)[ ]:[ ](?P=areacode)-(?P<number>\d+).+?(?P<name>\b\w+\b)$",strTest).groups()
  ('010', '12345678', 'Beijing')
  

  >>> re.findall(r"(?sm)^(?P<areacode>\d+)[ ]:[ ](?P=areacode)-(?P<number>\d+).+?(?P<name>\b\w+\b)$",strTest)
  [('010', '12345678', 'Beijing'), ('020', '23456789', 'Guangzhou'), ('021', '34567890', 'Shanghai')]

  >>> result = re.finditer(r"(?sm)^(?P<areacode>\d+)[ ]:[ ](?P=areacode)-(?P<number>\d+).+?(?P<name>\b\w+\b)$",strTest)
  >>> for item in result:
              print item.groups()

  ('010', '12345678', 'Beijing')
  ('020', '23456789', 'Guangzhou')
  ('021', '34567890', 'Shanghai')
  >>> for item in result:
              print item.groups()

  >>>
  
  

转载于:https://www.cnblogs.com/xaviercd/p/5821119.html