python之正则表达式4-零宽匹配

之前有看到过"零宽匹配"这个概念，但是一直没有搞清楚什么是"零宽匹配"。本文基于这个目的，分享一下我对于零宽匹配的理解。如果你已经非常清楚什么是"零宽匹配"，那么可以不用阅读本文；如果自问还有点儿犹豫，那么你一定要看看，帮助解决心中的犹豫。

为了尽量保证 知识点的连贯和循序渐进，会先讲解定位符，然后在自然的过渡到零宽匹配。

定位符 anchors

定位符就是 只匹配位置，不匹配字符。用于"锚定"正则匹配的位置。

python的正则中，有四种定位符，^,$,\A,\Z

^有两种定位

• 在单行模式下，字符串起始位置定位
• 在多行模式下，行起始位置定位

import re
test_str1 = 'first\nsecond\n'
RE_ANCHOR = r'^'
for e in re.finditer(RE_ANCHOR, test_str1):
    print(f'single line:{e}')
# single line:<re.Match object; span=(0, 0), match=''>
# 说明 单行模式下，是字符串起始位置定位

for e in re.finditer(RE_ANCHOR, test_str1, re.M):
    print(f'multi line:{e}')
# multi line:<re.Match object; span=(0, 0), match=''>
# 说明 多行模式下，是 行起始位置定位
# multi line:<re.Match object; span=(6, 6), match=''>
# 说明 多行模式下，是 行起始位置定位
# multi line:<re.Match object; span=(13, 13), match=''>
# 说明 第二个\n后也作为一个新的行，所以也会匹配命中，行起始位置定位

$有三种定位

• 在单行模式下， 字符串末尾位置定位
• 在单行模式下，除了在字符串末尾位置定位外, 如果最后一个字符是换行符的话，也在最后一个换行符之前的位置定位(为了后面方便表述，叫做 行末尾位置定位)
• 在多行模式下，除了在字符串末尾位置定位外，也在每个行末尾位置定位

import re
test_str1 = 'first\nsecond\n'
RE_ANCHOR = r'$'
for e in re.finditer(RE_ANCHOR, test_str1):
    print(f'single line:{e}')
# single line:<re.Match object; span=(12, 12), match=''>
# 说明 单行模式下，是 最后一个换行符之前位置定位
# single line:<re.Match object; span=(13, 13), match=''>
# 说明 单行模式下，是字符串末尾位置定位

for e in re.finditer(RE_ANCHOR, test_str1, re.M):
    print(f'multi line:{e}')
# multi line:<re.Match object; span=(5, 5), match=''>
# 说明 多行模式下，是 行末尾位置定位
# multi line:<re.Match object; span=(12, 12), match=''>
# 说明 多行模式下，是 行末尾位置定位
# multi line:<re.Match object; span=(13, 13), match=''>
# 说明 多行模式下，是 字符串末尾位置定位

\A，仅匹配字符串起始位置

import re
test_str1 = 'first\nsecond\n'
RE_ANCHOR = r'\A'
for e in re.finditer(RE_ANCHOR, test_str1):
    print(f'single line:{e}')
# single line:<re.Match object; span=(0, 0), match=''>

for e in re.finditer(RE_ANCHOR, test_str1, re.M):
    print(f'multi line:{e}')
# multi line:<re.Match object; span=(0, 0), match=''>

\Z，仅匹配字符串末尾位置

import re
test_str1 = 'first\nsecond\n'
RE_ANCHOR = r'\Z'
for e in re.finditer(RE_ANCHOR, test_str1):
    print(f'single line:{e}')
# single line:<re.Match object; span=(13, 13), match=''>

for e in re.finditer(RE_ANCHOR, test_str1, re.M):
    print(f'multi line:{e}')
# multi line:<re.Match object; span=(13, 13), match=''>

小结，这四种定位符都是匹配位置，并不匹配字符，另外从上面实例的打印结果中也可以看出，匹配结果的是一个空字符串，字符串的长度为零。这就是引出了正则中的一个概念，零宽匹配。

零宽匹配(zero-length match )

因为正则支持位置匹配，所以位置匹配的匹配结果长度为零，这就是为什么叫零宽匹配。

因为有了零宽匹配，正则表达式的使用会更加的灵活，如果能正确的使用，让将会非常有用，如果使用不当，会给你带来意想不到的结果。

import re
test_str1 = ''
RE_ZERO_LENGTH = r'^\d*$'
for e in re.finditer(RE_ZERO_LENGTH, test_str1):
    print(e)
# <re.Match object; span=(0, 0), match=''>

这个例子是非常典型的零宽匹配，test_str1是一个空字符串，长度为0；为了便于描述，空字符串中仅有一个’字符’位置，叫做void。RE_ZERO_LENGTH的第一个字符是^，它将匹配test_str1的void；RE_ZERO_LENGTH的下一个字符是\d，显然不能匹配test_str1，但是因为有*，正则引擎会继续匹配；RE_ZERO_LENGTH的下一个字符是$，显然也能匹配void。所以，最后整个RE_ZERO_LENGTH匹配命中了test_str1，但是匹配结果为''，这就是它特殊的地方。

从这个例子，可以猜想，如果正则表达式在待匹配字符串中的任意位置 有零宽匹配的话，那么它都会产生匹配结果，而且这个匹配结果为''，空字符串。为了验证这个猜想，还是结合例子来看看。

import re
test_str1 = 'a1'
RE_ZERO_LENGTH = r'\d*|a'
for e in re.finditer(RE_ZERO_LENGTH, test_str1):
    print(e)

在执行代码之前，我们可以试着分析一下，这段代码会产生多少匹配结果？如果能想清楚这个例子每一个字符是怎样匹配的，将会非常有趣！

因为python正则支持零宽匹配。首先，从test_str1的首字符的起始位置开始匹配，因为是位置匹配，显然\d不会匹配命中，但是由于*存在，所以test_str1的起始位置没有数字也可以匹配命中，这是产生的第一个匹配结果(零宽匹配)，这一轮的起始位置的匹配结束。接着，从test_str1的’a’开始第二轮匹配，显然\d*不能匹配命中，但还有|，那么test_str1中的’a’匹配命中RE_ZERO_LENGTH的’a’，产生第二个匹配结果(‘a’)，这一轮的第一个字符匹配结束。接着，从test_st1的’1’开始第三轮匹配，显然\d*匹配命中，产生第三个匹配结果(‘1’)。注意，此时test_str1的匹配并未结束，还有字符串的末尾位置。从test_str1的末尾位置开始匹配，因为\d*，所以末尾位置零宽匹配命中，产生第四个匹配结果。

通过上面的分析，可以看出，test_str1通过RE_ZERO_LENGTH产生了四个匹配结果。那么，实际的运行结果是不是这样的呢？看看执行上面的一段代码后的结果：

<re.Match object; span=(0, 0), match=''>
<re.Match object; span=(0, 1), match='a'>
<re.Match object; span=(1, 2), match='1'>
<re.Match object; span=(2, 2), match=''>

说明，由于不同语言对于零宽匹配的内部处理逻辑不完全一样，所以相同的待匹配字符串和正则表达式，在不同的语言中产生的结果可能不完全一样。