第一章：文本-re:正则表达式-利用模式拆分

1.3.11 利用模式拆分
str.split()是分解字符串来完成解析的最常用的方法之一。不过，它只支持使用字面量只作为分隔符。有时，如果输入没有一致的格式，那么就需要有一个正则表达式。例如，很多纯文本标记语言都把段落分隔符定义为两个或多个换行符(\n)。在这种情况下，就不能使用str.split(),因为这个定义中提到了“或多个”。通过findall()标识段落的一种策略是使用类似(.+?)\n{2,}的模式。

import re

text = '''Paragraph one
on two lines.

Paragraph two.

Paragraph three.'''

for num,para in enumerate(re.findall(r'(.+?)\n{2,}',text,flags=re.DOTALL)):
    print(num,repr(para))
    print()

对于输入文本末尾的段落，这个模式会失败，原因在于“Paragraph three.”不是输出的一部分。
运行结果：

可以扩展这个模式，指出段落以两个或多个换行符结束或者以输入末尾结束，这就能修正这个问题，但也会让模式变得更为复杂。可以转而使用re.split()而非re.findall(),这便能自动地处理边界条件，并保证模式更简单。

import re

text = '''Paragraph one
on two lines.

paragraph two.


Paragraph three.'''

print('With findall:')
for num,para in enumerate(re.findall(r'(.+?)(\n{2,}|$)',text,
                                     flags=re.DOTALL)):
    print(num,repr(para))
    print()

print()
print('With split:')
for num,para in enumerate(re.split(r'\n{2,}',text)):
    print(num,repr(para))
    print()

split()的模式参数更准确地表述了标记规范。由两个或多个换行符标记输入字符串中段落之间的分隔点。
运行结果：

可以将表达式包围在括号里来定义一个组，这使得split()的工作更类似于str.partition(),因此它会返回分隔符值以及字符串的其他部分。

import re

text = '''Paragraph one
on two lines.

Paragraph two.


Paragraph three.'''

print('With split:')
for num,para in enumerate(re.split(r'(\n{2,})',text)):
    print(num,repr(para))
    print()

现在输出包括各个段落，以及分隔这些段落的换行符序列。
运行结果：