Python正则表达式：面试中的难点与解题思路

Python正则表达式（regex）作为文本处理的强大工具，在编程面试中占据重要地位。然而，其复杂性和灵活性也使得它成为许多候选人的痛点。本文将深入剖析Python正则表达式面试中的难点问题，揭示易错点，并提供解题思路与代码示例，助您在面试中从容应对。

1. 匹配模式与分组

面试题：编写正则表达式匹配电子邮件地址，并提取域名部分。

易错点与避免策略：

• 正则表达式过于宽松或严格：在设计匹配模式时，应兼顾准确性和包容性，参考RFC 5322规范，同时考虑实际应用中可能出现的变体。
• 忽视分组的使用：利用()进行分组，可以方便地提取匹配的部分。记住，\d匹配单个数字，\D匹配单个非数字字符，\w匹配单个字母或数字，\W匹配单个非字母或数字字符。

代码示例：

python
import re

pattern = r'(?P<username>\w+)(.(?P<middle>\w+))?@(?P<domain>[A-Za-z0-9.-]+).[A-Za-z]{2,}'
email = 'john.doe@example.com'

match = re.match(pattern, email)
if match:
    username = match.group('username')
    middle = match.group('middle') or ''
    domain = match.group('domain')
    print(f"Username: {username}, Middle Name: {middle}, Domain: {domain}")
else:
    print("Invalid email address")

2. 重复匹配与量词

面试题：编写正则表达式匹配连续重复的单词，并计算重复次数。

易错点与避免策略：

• 混淆贪婪与非贪婪匹配：默认情况下，量词如*、+、?、{m,n}是贪婪的，尽可能多地匹配字符。使用*?、+?、??、{m,n}?可改为非贪婪匹配，尽早停止匹配。
• 未正确使用re.findall()或re.finditer() ：这两个函数分别以列表和迭代器形式返回所有匹配结果，便于统计重复次数。

代码示例：

python
import re

text = "the cat in the hat the dog"
pattern = r'\b(\w+)\s+\1\b'

matches = re.findall(pattern, text)
word_counts = {match[0]: len(match) // 2 for match in matches}
print(word_counts)

3. 零宽断言与环视

面试题：编写正则表达式匹配HTML标签之间的文本内容，且不包含其他嵌套标签。

易错点与避免策略：

• 忽视零宽断言的应用：使用(?<=start)正向预查断言和(?=end)正向后查断言，可以在不消耗字符的情况下确保匹配位置符合特定条件。
• 未考虑特殊情况：对于HTML标签可能存在属性、自闭合标签等情况，正则表达式可能无法完美处理。在实际项目中，推荐使用成熟的HTML解析库如BeautifulSoup。

代码示例：

python
import re

html = '<div class="content">Hello <em>world</em></div>'
pattern = r'(?<=<div[^>]*>)\s*(.*?)(?=\s*</div>)'

match = re.search(pattern, html)
if match:
    content = match.group(1)
    print(content)
else:
    print("No matching content found")

精通Python正则表达式的关键在于理解其基本语法、熟练运用各种匹配模式与量词，并能在实际问题中灵活应用零宽断言等高级特性。通过剖析面试中的难点问题，规避易错点，并结合代码示例进行实践，您将在编程面试中展现出卓越的文本处理能力。