首先，運(yùn)行 Python 解釋器，導(dǎo)入 re 模塊并編譯一個(gè) RE：

#!python
 Python 2.2.2 (#1, Feb 10 2003, 12:57:01)
 >>> import re
 >>> p = re.compile('[a-z]+')
 >>> p
 <_sre.SRE_Pattern object at 80c3c28>

現(xiàn)在，你可以試著用 RE 的 [a-z]+ 去匹配不同的字符串。一個(gè)空字符串將根本不能匹配，因?yàn)?+ 的意思是 “一個(gè)或更多的重復(fù)次數(shù)”。 在這種情況下 match() 將返回 None，因?yàn)樗菇忉屍鳑]有輸出。你可以明確地打印出 match() 的結(jié)果來弄清這一點(diǎn)。

#!python
>>> p.match("")
>>> print p.match("")
None

現(xiàn)在，讓我們?cè)囍盟鼇砥ヅ湟粋€(gè)字符串，如 "tempo"。這時(shí)，match() 將返回一個(gè) MatchObject。因此你可以將結(jié)果保存在變量里以便后面使用。

#!python
 >>> m = p.match( 'tempo')
 >>> print m
 <_sre.SRE_Match object at 80c4f68>

現(xiàn)在你可以查詢 `MatchObject` 關(guān)于匹配字符串的相關(guān)信息了。MatchObject 實(shí)例也有幾個(gè)方法和屬性；最重要的那些如下所示：

試試這些方法不久就會(huì)清楚它們的作用了：

#!python
 >>> m.group()
 'tempo'
 >>> m.start(), m.end()
 (0, 5)
 >>> m.span()
 (0, 5)

group() 返回 RE 匹配的子串。start() 和 end() 返回匹配開始和結(jié)束時(shí)的索引。span() 則用單個(gè)元組把開始和結(jié)束時(shí)的索引一起返回。因?yàn)槠ヅ浞椒z查到如果 RE 在字符串開始處開始匹配，那么 start() 將總是為零。然而， `RegexObject` 實(shí)例的 search 方法掃描下面的字符串的話，在這種情況下，匹配開始的位置就也許不是零了。

#!python
 >>> print p.match('::: message')
 None
 >>> m = p.search('::: message') ; print m
 <re.MatchObject instance at 80c9650>
 >>> m.group()
 'message'
 >>> m.span()
 (4, 11)

在實(shí)際程序中，最常見的作法是將 `MatchObject` 保存在一個(gè)變量里，然后檢查它是否為 None，通常如下所示：

#!python
 p = re.compile( ... )
 m = p.match( 'string goes here' )
 if m:
 print 'Match found: ', m.group()
 else:
 print 'No match'

兩個(gè) `RegexObject` 方法返回所有匹配模式的子串。findall()返回一個(gè)匹配字符串行表：

#!python
 >>> p = re.compile('\d+')
 >>> p.findall('12 drummers drumming, 11 pipers piping, 10 lords a-leaping')
 ['12', '11', '10']

findall() 在它返回結(jié)果時(shí)不得不創(chuàng)建一個(gè)列表。在 Python 2.2中，也可以用 finditer() 方法。

#!python
 >>> iterator = p.finditer('12 drummers drumming, 11 ... 10 ...')
 >>> iterator
 <callable-iterator object at 0x401833ac>
 >>> for match in iterator:
 ...     print match.span()
 ...
 (0, 2)
 (22, 24)
 (29, 31)

模塊級(jí)函數(shù)

你不一定要產(chǎn)生一個(gè) `RegexObject` 對(duì)象然后再調(diào)用它的方法；re 模塊也提供了頂級(jí)函數(shù)調(diào)用如 match()、search()、sub() 等等。這些函數(shù)使用 RE 字符串作為第一個(gè)參數(shù)，而后面的參數(shù)則與相應(yīng) `RegexObject` 的方法參數(shù)相同，返回則要么是 None 要么就是一個(gè) `MatchObject` 的實(shí)例。

#!python
 >>> print re.match(r'From\s+', 'Fromage amk')
 None
 >>> re.match(r'From\s+', 'From amk Thu May 14 19:12:10 1998')
 <re.MatchObject instance at 80c5978>

Under the hood, 這些函數(shù)簡(jiǎn)單地產(chǎn)生一個(gè) RegexOject 并在其上調(diào)用相應(yīng)的方法。它們也在緩存里保存編譯后的對(duì)象，因此在將來調(diào)用用到相同 RE 時(shí)就會(huì)更快。

你將使用這些模塊級(jí)函數(shù)，還是先得到一個(gè) `RegexObject` 再調(diào)用它的方法呢？如何選擇依賴于怎樣用 RE 更有效率以及你個(gè)人編碼風(fēng)格。如果一個(gè) RE 在代碼中只做用一次的話，那么模塊級(jí)函數(shù)也許更方便。如果程序包含很多的正則表達(dá)式，或在多處復(fù)用同一個(gè)的話，那么將全部定義放在一起，在一段代碼中提前 編譯所有的 REs 更有用。從標(biāo)準(zhǔn)庫中看一個(gè)例子，這是從 xmllib.py 文件中提取出來的：

#!python
 ref = re.compile( ... )
 entityref = re.compile( ... )
 charref = re.compile( ... )
 starttagopen = re.compile( ... )

我通常更喜歡使用編譯對(duì)象，甚至它只用一次，but few people will be as much of a purist about this as I am。

編譯標(biāo)志

編譯標(biāo)志讓你可以修改正則表達(dá)式的一些運(yùn)行方式。在 re 模塊中標(biāo)志可以使用兩個(gè)名字，一個(gè)是全名如 IGNORECASE，一個(gè)是縮寫，一字母形式如 I。（如果你熟悉 Perl 的模式修改，一字母形式使用同樣的字母；例如 re.VERBOSE的縮寫形式是 re.X。）多個(gè)標(biāo)志可以通過按位 OR-ing 它們來指定。如 re.I | re.M 被設(shè)置成 I 和 M 標(biāo)志：

這有個(gè)可用標(biāo)志表，對(duì)每個(gè)標(biāo)志后面都有詳細(xì)的說明。

I
IGNORECASE

使匹配對(duì)大小寫不敏感；字符類和字符串匹配字母時(shí)忽略大小寫。舉個(gè)例子，[A-Z]也可以匹配小寫字母，Spam 可以匹配 "Spam", "spam", 或 "spAM"。這個(gè)小寫字母并不考慮當(dāng)前位置。

L
LOCALE

影響 \w, \W, \b, 和 \B，這取決于當(dāng)前的本地化設(shè)置。

locales 是 C 語言庫中的一項(xiàng)功能，是用來為需要考慮不同語言的編程提供幫助的。舉個(gè)例子，如果你正在處理法文文本，你想用 \w+ 來匹配文字，但 \w 只匹配字符類 [A-Za-z]；它并不能匹配 "é" 或 "ç"。如果你的系統(tǒng)配置適當(dāng)且本地化設(shè)置為法語，那么內(nèi)部的 C 函數(shù)將告訴程序 "é" 也應(yīng)該被認(rèn)為是一個(gè)字母。當(dāng)在編譯正則表達(dá)式時(shí)使用 LOCALE 標(biāo)志會(huì)得到用這些 C 函數(shù)來處理 \w 后的編譯對(duì)象；這會(huì)更慢，但也會(huì)象你希望的那樣可以用 \w+ 來匹配法文文本。

M
MULTILINE

(此時(shí) ^ 和 $ 不會(huì)被解釋; 它們將在 4.1 節(jié)被介紹.)

使用 "^" 只匹配字符串的開始，而 $ 則只匹配字符串的結(jié)尾和直接在換行前（如果有的話）的字符串結(jié)尾。當(dāng)本標(biāo)志指定后， "^" 匹配字符串的開始和字符串中每行的開始。同樣的， $ 元字符匹配字符串結(jié)尾和字符串中每行的結(jié)尾（直接在每個(gè)換行之前）。

S
DOTALL

使 "." 特殊字符完全匹配任何字符，包括換行；沒有這個(gè)標(biāo)志， "." 匹配除了換行外的任何字符。

X
VERBOSE

該標(biāo)志通過給予你更靈活的格式以便你將正則表達(dá)式寫得更易于理解。當(dāng)該標(biāo)志被指定時(shí)，在 RE 字符串中的空白符被忽略，除非該空白符在字符類中或在反斜杠之后；這可以讓你更清晰地組織和縮進(jìn) RE。它也可以允許你將注釋寫入 RE，這些注釋會(huì)被引擎忽略；注釋用 "#"號(hào) 來標(biāo)識(shí)，不過該符號(hào)不能在字符串或反斜杠之后。

舉個(gè)例子，這里有一個(gè)使用 re.VERBOSE 的 RE；看看讀它輕松了多少？

#!python
 charref = re.compile(r"""
 &[[]]       # Start of a numeric entity reference
 (
 [0-9]+[^0-9]      # Decimal form
 | 0[0-7]+[^0-7]   # Octal form
 | x[0-9a-fA-F]+[^0-9a-fA-F] # Hexadecimal form
 )
 """, re.VERBOSE)

沒有 verbose 設(shè)置， RE 會(huì)看起來象這樣：

#!python
 charref = re.compile("&#([0-9]+[^0-9]"
 "|0[0-7]+[^0-7]"
 "|x[0-9a-fA-F]+[^0-9a-fA-F])")

在上面的例子里，Python 的字符串自動(dòng)連接可以用來將 RE 分成更小的部分，但它比用 re.VERBOSE 標(biāo)志時(shí)更難懂。

更多模式功能

到目前為止，我們只展示了正則表達(dá)式的一部分功能。在本節(jié)，我們將展示一些新的元字符和如何使用組來檢索被匹配的文本部分。

更多的元字符

還有一些我們還沒展示的元字符，其中的大部分將在本節(jié)展示。

剩下來要討論的一部分元字符是零寬界定符（zero-width assertions）。它們并不會(huì)使引擎在處理字符串時(shí)更快;相反，它們根本就沒有對(duì)應(yīng)任何字符，只是簡(jiǎn)單的成功或失敗。舉個(gè)例子， \b 是一個(gè)在單詞邊界定位當(dāng)前位置的界定符（assertions），這個(gè)位置根本就不會(huì)被 \b 改變。這意味著零寬界定符（zero-width assertions）將永遠(yuǎn)不會(huì)被重復(fù)，因?yàn)槿绻鼈冊(cè)诮o定位置匹配一次，那么它們很明顯可以被匹配無數(shù)次。

|

可選項(xiàng)，或者 "or" 操作符。如果 A 和 B 是正則表達(dá)式，A|B 將匹配任何匹配了 "A" 或 "B" 的字符串。| 的優(yōu)先級(jí)非常低，是為了當(dāng)你有多字符串要選擇時(shí)能適當(dāng)?shù)剡\(yùn)行。Crow|Servo 將匹配"Crow" 或 "Servo", 而不是 "Cro", 一個(gè) "w" 或 一個(gè) "S", 和 "ervo"。

為了匹配字母 "|"，可以用 \|，或?qū)⑵浒谧址愔?，如[|]。

^

匹配行首。除非設(shè)置 MULTILINE 標(biāo)志，它只是匹配字符串的開始。在 MULTILINE 模式里，它也可以直接匹配字符串中的每個(gè)換行。

例如，如果你只希望匹配在行首單詞 "From"，那么 RE 將用 ^From。

#!python
 >>> print re.search('^From', 'From Here to Eternity')
 <re.MatchObject instance at 80c1520>
 >>> print re.search('^From', 'Reciting From Memory')
 None

$

匹配行尾，行尾被定義為要么是字符串尾，要么是一個(gè)換行字符后面的任何位置。

#!python
 >>> print re.search('}$', '{block}')
 <re.MatchObject instance at 80adfa8>
 >>> print re.search('}$', '{block} ')
 None
 >>> print re.search('}$', '{block}\n')
 <re.MatchObject instance at 80adfa8>

匹配一個(gè) "$"，使用 \$ 或?qū)⑵浒谧址愔校鏪$]。

\A

只匹配字符串首。當(dāng)不在 MULTILINE 模式，\A 和 ^ 實(shí)際上是一樣的。然而，在 MULTILINE 模式里它們是不同的；\A 只是匹配字符串首，而 ^ 還可以匹配在換行符之后字符串的任何位置。

\Z

Matches only at the end of the string.
只匹配字符串尾。

\b

單詞邊界。這是個(gè)零寬界定符（zero-width assertions）只用以匹配單詞的詞首和詞尾。單詞被定義為一個(gè)字母數(shù)字序列，因此詞尾就是用空白符或非字母數(shù)字符來標(biāo)示的。

下面的例子只匹配 "class" 整個(gè)單詞；而當(dāng)它被包含在其他單詞中時(shí)不匹配。

#!python
 >>> p = re.compile(r'\bclass\b')
 >>> print p.search('no class at all')
 <re.MatchObject instance at 80c8f28>
 >>> print p.search('the declassified algorithm')
 None
 >>> print p.search('one subclass is')
 None

當(dāng)用這個(gè)特殊序列時(shí)你應(yīng)該記住這里有兩個(gè)微妙之處。第一個(gè)是 Python 字符串和正則表達(dá)式之間最糟的沖突。在 Python 字符串里，"\b" 是反斜杠字符，ASCII值是8。如果你沒有使用 raw 字符串時(shí)，那么 Python 將會(huì)把 "\b" 轉(zhuǎn)換成一個(gè)回退符，你的 RE 將無法象你希望的那樣匹配它了。下面的例子看起來和我們前面的 RE 一樣，但在 RE 字符串前少了一個(gè) "r" 。

#!python
 >>> p = re.compile('\bclass\b')
 >>> print p.search('no class at all')
 None
 >>> print p.search('\b' + 'class' + '\b')
 <re.MatchObject instance at 80c3ee0>

第二個(gè)在字符類中，這個(gè)限定符（assertion）不起作用，\b 表示回退符，以便與 Python 字符串兼容。

\B

另一個(gè)零寬界定符（zero-width assertions），它正好同 \b 相反，只在當(dāng)前位置不在單詞邊界時(shí)匹配。

分組

你經(jīng)常需要得到比 RE 是否匹配還要多的信息。正則表達(dá)式常常用來分析字符串，編寫一個(gè) RE 匹配感興趣的部分并將其分成幾個(gè)小組。舉個(gè)例子，一個(gè) RFC-822 的頭部用 ":" 隔成一個(gè)頭部名和一個(gè)值，這就可以通過編寫一個(gè)正則表達(dá)式匹配整個(gè)頭部，用一組匹配頭部名，另一組匹配頭部值的方式來處理。

組是通過 "(" 和 ")" 元字符來標(biāo)識(shí)的。 "(" 和 ")" 有很多在數(shù)學(xué)表達(dá)式中相同的意思；它們一起把在它們里面的表達(dá)式組成一組。舉個(gè)例子，你可以用重復(fù)限制符，象 *, +, ?, 和 {m,n}，來重復(fù)組里的內(nèi)容，比如說(ab)* 將匹配零或更多個(gè)重復(fù)的 "ab"。

#!python
 >>> p = re.compile('(ab)*')
 >>> print p.match('ababababab').span()
 (0, 10)

組用 "(" 和 ")" 來指定，并且得到它們匹配文本的開始和結(jié)尾索引；這就可以通過一個(gè)參數(shù)用 group()、start()、end() 和 span() 來進(jìn)行檢索。組是從 0 開始計(jì)數(shù)的。組 0 總是存在；它就是整個(gè) RE，所以 `MatchObject` 的方法都把組 0 作為它們?nèi)笔〉膮?shù)。稍后我們將看到怎樣表達(dá)不能得到它們所匹配文本的 span。

#!python
 >>> p = re.compile('(a)b')
 >>> m = p.match('ab')
 >>> m.group()
 'ab'
 >>> m.group(0)
 'ab'

小組是從左向右計(jì)數(shù)的，從1開始。組可以被嵌套。計(jì)數(shù)的數(shù)值可以能過從左到右計(jì)算打開的括號(hào)數(shù)來確定。

#!python
 >>> p = re.compile('(a(b)c)d')
 >>> m = p.match('abcd')
 >>> m.group(0)
 'abcd'
 >>> m.group(1)
 'abc'
 >>> m.group(2)
 'b'

group() 可以一次輸入多個(gè)組號(hào)，在這種情況下它將返回一個(gè)包含那些組所對(duì)應(yīng)值的元組。

#!python
 >>> m.group(2,1,2)
 ('b', 'abc', 'b')

The groups() 方法返回一個(gè)包含所有小組字符串的元組，從 1 到 所含的小組號(hào)。

#!python
 >>> m.groups()
 ('abc', 'b')

模式中的逆向引用允許你指定先前捕獲組的內(nèi)容，該組也必須在字符串當(dāng)前位置被找到。舉個(gè)例子，如果組 1 的內(nèi)容能夠在當(dāng)前位置找到的話，\1 就成功否則失敗。記住 Python 字符串也是用反斜杠加數(shù)據(jù)來允許字符串中包含任意字符的，所以當(dāng)在 RE 中使用逆向引用時(shí)確保使用 raw 字符串。

例如，下面的 RE 在一個(gè)字符串中找到成雙的詞。

#!python
 >>> p = re.compile(r'(\b\w+)\s+\1')
 >>> p.search('Paris in the the spring').group()
 'the the'

象這樣只是搜索一個(gè)字符串的逆向引用并不常見 -- 用這種方式重復(fù)數(shù)據(jù)的文本格式并不多見 -- 但你不久就可以發(fā)現(xiàn)它們用在字符串替換上非常有用。

無捕獲組和命名組

精心設(shè)計(jì)的 REs 也許會(huì)用很多組，既可以捕獲感興趣的子串，又可以分組和結(jié)構(gòu)化 RE 本身。在復(fù)雜的 REs 里，追蹤組號(hào)變得困難。有兩個(gè)功能可以對(duì)這個(gè)問題有所幫助。它們也都使用正則表達(dá)式擴(kuò)展的通用語法，因此我們來看看第一個(gè)。

Perl 5 對(duì)標(biāo)準(zhǔn)正則表達(dá)式增加了幾個(gè)附加功能，Python 的 re 模塊也支持其中的大部分。選擇一個(gè)新的單按鍵元字符或一個(gè)以 "\" 開始的特殊序列來表示新的功能，而又不會(huì)使 Perl 正則表達(dá)式與標(biāo)準(zhǔn)正則表達(dá)式產(chǎn)生混亂是有難度的。如果你選擇 "&" 做為新的元字符，舉個(gè)例子，老的表達(dá)式認(rèn)為 "&" 是一個(gè)正常的字符，而不會(huì)在使用 \& 或 [&] 時(shí)也不會(huì)轉(zhuǎn)義。

Perl 開發(fā)人員的解決方法是使用 (?...) 來做為擴(kuò)展語法。"?" 在括號(hào)后面會(huì)直接導(dǎo)致一個(gè)語法錯(cuò)誤，因?yàn)?"?" 沒有任何字符可以重復(fù)，因此它不會(huì)產(chǎn)生任何兼容問題。緊隨 "?" 之后的字符指出擴(kuò)展的用途，因此 (?=foo)

Python 新增了一個(gè)擴(kuò)展語法到 Perl 擴(kuò)展語法中。如果在問號(hào)后的第一個(gè)字符是 "P"，你就可以知道它是針對(duì) Python 的擴(kuò)展。目前有兩個(gè)這樣的擴(kuò)展: (?P<name>...) 定義一個(gè)命名組，(?P=name) 則是對(duì)命名組的逆向引用。如果 Perl 5 的未來版本使用不同的語法增加了相同的功能，那么 re 模塊也將改變以支持新的語法，這是為了兼容性的目的而保持的 Python 專用語法。

現(xiàn)在我們看一下普通的擴(kuò)展語法，我們回過頭來簡(jiǎn)化在復(fù)雜 REs 中使用組運(yùn)行的特性。因?yàn)榻M是從左到右編號(hào)的，而且一個(gè)復(fù)雜的表達(dá)式也許會(huì)使用許多組，它可以使跟蹤當(dāng)前組號(hào)變得困難，而修改如此復(fù)雜的 RE 是十分麻煩的。在開始時(shí)插入一個(gè)新組，你可以改變它之后的每個(gè)組號(hào)。

首先，有時(shí)你想用一個(gè)組去收集正則表達(dá)式的一部分，但又對(duì)組的內(nèi)容不感興趣。你可以用一個(gè)無捕獲組: (?:...) 來實(shí)現(xiàn)這項(xiàng)功能，這樣你可以在括號(hào)中發(fā)送任何其他正則表達(dá)式。

#!python
 >>> m = re.match("([abc])+", "abc")
 >>> m.groups()
 ('c',)
 >>> m = re.match("(?:[abc])+", "abc")
 >>> m.groups()
 ()

除了捕獲匹配組的內(nèi)容之外，無捕獲組與捕獲組表現(xiàn)完全一樣；你可以在其中放置任何字符，可以用重復(fù)元字符如 "*" 來重復(fù)它，可以在其他組（無捕獲組與捕獲組）中嵌套它。(?:...) 對(duì)于修改已有組尤其有用，因?yàn)槟憧梢圆挥酶淖兯衅渌M號(hào)的情況下添加一個(gè)新組。捕獲組和無捕獲組在搜索效率方面也沒什么不同，沒有哪一個(gè)比另一個(gè)更快。

其次，更重要和強(qiáng)大的是命名組；與用數(shù)字指定組不同的是，它可以用名字來指定。

命令組的語法是 Python 專用擴(kuò)展之一： (?P<name>...)。名字很明顯是組的名字。除了該組有個(gè)名字之外，命名組也同捕獲組是相同的。`MatchObject` 的方法處理捕獲組時(shí)接受的要么是表示組號(hào)的整數(shù)，要么是包含組名的字符串。命名組也可以是數(shù)字，所以你可以通過兩種方式來得到一個(gè)組的信息：

#!python
 >>> p = re.compile(r'(?P<word>\b\w+\b)')
 >>> m = p.search( '(((( Lots of punctuation )))' )
 >>> m.group('word')
 'Lots'
 >>> m.group(1)
 'Lots'

命名組是便于使用的，因?yàn)樗梢宰屇闶褂萌菀子涀〉拿謥泶娌坏貌挥涀〉臄?shù)字。這里有一個(gè)來自 imaplib 模塊的 RE 示例：

#!python
 InternalDate = re.compile(r'INTERNALDATE "'
 r'(?P<day>[ 123][0-9])-(?P<mon>[A-Z][a-z][a-z])-'
 r'(?P<year>[0-9][0-9][0-9][0-9])'
 r' (?P<hour>[0-9][0-9]):(?P<min>[0-9][0-9]):(?P<sec>[0-9][0-9])'
 r' (?P<zonen>[-+])(?P<zoneh>[0-9][0-9])(?P<zonem>[0-9][0-9])'
 r'"')

很明顯，得到 m.group('zonem') 要比記住得到組 9 要容易得多。

因?yàn)槟嫦蛞玫恼Z法，象 (...)\1 這樣的表達(dá)式所表示的是組號(hào)，這時(shí)用組名代替組號(hào)自然會(huì)有差別。還有一個(gè) Python 擴(kuò)展：(?P=name) ，它可以使叫 name 的組內(nèi)容再次在當(dāng)前位置發(fā)現(xiàn)。正則表達(dá)式為了找到重復(fù)的單詞，(\b\w+)\s+\1 也可以被寫成 (?P<word>\b\w+)\s+(?P=word)：

#!python
 >>> p = re.compile(r'(?P<word>\b\w+)\s+(?P=word)')
 >>> p.search('Paris in the the spring').group()
 'the the'

前向界定符

另一個(gè)零寬界定符（zero-width assertion）是前向界定符。前向界定符包括前向肯定界定符和后向肯定界定符，所下所示：

(?=...)

前向肯定界定符。如果所含正則表達(dá)式，以 ... 表示，在當(dāng)前位置成功匹配時(shí)成功，否則失敗。但一旦所含表達(dá)式已經(jīng)嘗試，匹配引擎根本沒有提高；模式的剩馀部分還要嘗試界定符的右邊。

(?!...)

前向否定界定符。與肯定界定符相反；當(dāng)所含表達(dá)式不能在字符串當(dāng)前位置匹配時(shí)成功

通過示范在哪前向可以成功有助于具體實(shí)現(xiàn)?？紤]一個(gè)簡(jiǎn)單的模式用于匹配一個(gè)文件名，并將其通過 "." 分成基本名和擴(kuò)展名兩部分。如在 "news.rc" 中，"news" 是基本名，"rc" 是文件的擴(kuò)展名。

匹配模式非常簡(jiǎn)單：

.*[.].*$

注意 "." 需要特殊對(duì)待，因?yàn)樗且粋€(gè)元字符；我把它放在一個(gè)字符類中。另外注意后面的 $; 添加這個(gè)是為了確保字符串所有的剩馀部分必須被包含在擴(kuò)展名中。這個(gè)正則表達(dá)式匹配 "foo.bar"、"autoexec.bat"、 "sendmail.cf" 和 "printers.conf"。

現(xiàn)在，考慮把問題變得復(fù)雜點(diǎn)；如果你想匹配的擴(kuò)展名不是 "bat" 的文件名？一些不正確的嘗試：

.*[.][^b].*$

上面的第一次去除 "bat" 的嘗試是要求擴(kuò)展名的第一個(gè)字符不是 "b"。這是錯(cuò)誤的，因?yàn)樵撃Ｊ揭膊荒芷ヅ?"foo.bar"。

.*[.]([^b]..|.[^a].|..[^t])$

當(dāng)你試著修補(bǔ)第一個(gè)解決方法而要求匹配下列情況之一時(shí)表達(dá)式更亂了：擴(kuò)展名的第一個(gè)字符不是 "b"; 第二個(gè)字符不是 "a"；或第三個(gè)字符不是 "t"。這樣可以接受 "foo.bar" 而拒絕 "autoexec.bat"，但這要求只能是三個(gè)字符的擴(kuò)展名而不接受兩個(gè)字符的擴(kuò)展名如 "sendmail.cf"。我們將在努力修補(bǔ)它時(shí)再次把該模式變得復(fù)雜。

.*[.]([^b].?.?|.[^a]?.?|..?[^t]?)$

在第三次嘗試中，第二和第三個(gè)字母都變成可選，為的是允許匹配比三個(gè)字符更短的擴(kuò)展名，如 "sendmail.cf"。

該模式現(xiàn)在變得非常復(fù)雜，這使它很難讀懂。更糟的是，如果問題變化了，你想擴(kuò)展名不是 "bat" 和 "exe"，該模式甚至?xí)兊酶鼜?fù)雜和混亂。

前向否定把所有這些裁剪成：

.*[.](?!bat$).*$

前向的意思：如果表達(dá)式 bat 在這里沒有匹配，嘗試模式的其馀部分；如果 bat$ 匹配，整個(gè)模式將失敗。后面的 $ 被要求是為了確保象 "sample.batch" 這樣擴(kuò)展名以 "bat" 開頭的會(huì)被允許。

將另一個(gè)文件擴(kuò)展名排除在外現(xiàn)在也容易；簡(jiǎn)單地將其做為可選項(xiàng)放在界定符中。下面的這個(gè)模式將以 "bat" 或 "exe" 結(jié)尾的文件名排除在外。

.*[.](?!bat$|exe$).*$

修改字符串

到目前為止，我們簡(jiǎn)單地搜索了一個(gè)靜態(tài)字符串。正則表達(dá)式通常也用不同的方式，通過下面的 `RegexObject` 方法，來修改字符串。

將字符串分片

`RegexObject` 的 split() 方法在 RE 匹配的地方將字符串分片，將返回列表。它同字符串的 split() 方法相似但提供更多的定界符；split()只支持空白符和固定字符串。就象你預(yù)料的那樣，也有一個(gè)模塊級(jí)的 re.split() 函數(shù)。

split(string [, maxsplit = 0])

通過正則表達(dá)式將字符串分片。如果捕獲括號(hào)在 RE 中使用，那么它們的內(nèi)容也會(huì)作為結(jié)果列表的一部分返回。如果 maxsplit 非零，那么最多只能分出 maxsplit 個(gè)分片。

你可以通過設(shè)置 maxsplit 值來限制分片數(shù)。當(dāng) maxsplit 非零時(shí)，最多只能有 maxsplit 個(gè)分片，字符串的其馀部分被做為列表的最后部分返回。在下面的例子中，定界符可以是非數(shù)字字母字符的任意序列。

#!python
 >>> p = re.compile(r'\W+')
 >>> p.split('This is a test, short and sweet, of split().')
 ['This', 'is', 'a', 'test', 'short', 'and', 'sweet', 'of', 'split', '']
 >>> p.split('This is a test, short and sweet, of split().', 3)
 ['This', 'is', 'a', 'test, short and sweet, of split().']

有時(shí)，你不僅對(duì)定界符之間的文本感興趣，也需要知道定界符是什么。如果捕獲括號(hào)在 RE 中使用，那么它們的值也會(huì)當(dāng)作列表的一部分返回。比較下面的調(diào)用：

#!python
 >>> p = re.compile(r'\W+')
 >>> p2 = re.compile(r'(\W+)')
 >>> p.split('This... is a test.')
 ['This', 'is', 'a', 'test', '']
 >>> p2.split('This... is a test.')
 ['This', '... ', 'is', ' ', 'a', ' ', 'test', '.', '']

模塊級(jí)函數(shù) re.split() 將 RE 作為第一個(gè)參數(shù)，其他一樣。

#!python
 >>> re.split('[\W]+', 'Words, words, words.')
 ['Words', 'words', 'words', '']
 >>> re.split('([\W]+)', 'Words, words, words.')
 ['Words', ', ', 'words', ', ', 'words', '.', '']
 >>> re.split('[\W]+', 'Words, words, words.', 1)
 ['Words', 'words, words.']

搜索和替換

其他常見的用途就是找到所有模式匹配的字符串并用不同的字符串來替換它們。sub() 方法提供一個(gè)替換值，可以是字符串或一個(gè)函數(shù)，和一個(gè)要被處理的字符串。

sub(replacement, string[, count = 0])

返回的字符串是在字符串中用 RE 最左邊不重復(fù)的匹配來替換。如果模式?jīng)]有發(fā)現(xiàn)，字符將被沒有改變地返回。

可選參數(shù) count 是模式匹配后替換的最大次數(shù)；count 必須是非負(fù)整數(shù)。缺省值是 0 表示替換所有的匹配。

這里有個(gè)使用 sub() 方法的簡(jiǎn)單例子。它用單詞 "colour" 替換顏色名。

#!python
 >>> p = re.compile( '(blue|white|red)')
 >>> p.sub( 'colour', 'blue socks and red shoes')
 'colour socks and colour shoes'
 >>> p.sub( 'colour', 'blue socks and red shoes', count=1)
 'colour socks and red shoes'

subn() 方法作用一樣，但返回的是包含新字符串和替換執(zhí)行次數(shù)的兩元組。

#!python
 >>> p = re.compile( '(blue|white|red)')
 >>> p.subn( 'colour', 'blue socks and red shoes')
 ('colour socks and colour shoes', 2)
 >>> p.subn( 'colour', 'no colours at all')
 ('no colours at all', 0)

空匹配只有在它們沒有緊挨著前一個(gè)匹配時(shí)才會(huì)被替換掉。

#!python
 >>> p = re.compile('x*')
 >>> p.sub('-', 'abxd')
 '-a-b-d-'

如果替換的是一個(gè)字符串，任何在其中的反斜杠都會(huì)被處理。"\n" 將會(huì)被轉(zhuǎn)換成一個(gè)換行符，"\r"轉(zhuǎn)換成回車等等。未知的轉(zhuǎn)義如 "\j" 則保持原樣。逆向引用，如 "\6"，被 RE 中相應(yīng)的組匹配而被子串替換。這使你可以在替換后的字符串中插入原始文本的一部分。

這個(gè)例子匹配被 "{" 和 "}" 括起來的單詞 "section"，并將 "section" 替換成 "subsection"。

#!python
 >>> p = re.compile('section{ ( [^}]* ) }', re.VERBOSE)
 >>> p.sub(r'subsection{\1}','section{First} section{second}')
 'subsection{First} subsection{second}'

還可以指定用 (?P<name>...) 語法定義的命名組。"\g<name>" 將通過組名 "name" 用子串來匹配，并且 "\g<number>" 使用相應(yīng)的組號(hào)。所以 "\g<2>" 等于 "\2"，但能在替換字符串里含義不清，如 "\g<2>0"。（"\20" 被解釋成對(duì)組 20 的引用，而不是對(duì)后面跟著一個(gè)字母 "0" 的組 2 的引用。）

#!python
 >>> p = re.compile('section{ (?P<name> [^}]* ) }', re.VERBOSE)
 >>> p.sub(r'subsection{\1}','section{First}')
 'subsection{First}'
 >>> p.sub(r'subsection{\g<1>}','section{First}')
 'subsection{First}'
 >>> p.sub(r'subsection{\g<name>}','section{First}')
 'subsection{First}'

替換也可以是一個(gè)甚至給你更多控制的函數(shù)。如果替換是個(gè)函數(shù)，該函數(shù)將會(huì)被模式中每一個(gè)不重復(fù)的匹配所調(diào)用。在每個(gè)調(diào)用時(shí)，函數(shù)被作為 `MatchObject` 的匹配函屬，并可以使用這個(gè)信息去計(jì)算預(yù)期的字符串并返回它。

在下面的例子里，替換函數(shù)將十進(jìn)制翻譯成十六進(jìn)制：

#!python
 >>> def hexrepl( match ):
 ...     "Return the hex string for a decimal number"
 ...     value = int( match.group() )
 ...     return hex(value)
 ...
 >>> p = re.compile(r'\d+')
 >>> p.sub(hexrepl, 'Call 65490 for printing, 49152 for user code.')
 'Call 0xffd2 for printing, 0xc000 for user code.'

當(dāng)使用模塊級(jí)的 re.sub() 函數(shù)時(shí)，模式作為第一個(gè)參數(shù)。模式也許是一個(gè)字符串或一個(gè) `RegexObject`；如果你需要指定正則表達(dá)式標(biāo)志，你必須要么使用 `RegexObject` 做第一個(gè)參數(shù)，或用使用模式內(nèi)嵌修正器，如 sub("(?i)b+", "x", "bbbb BBBB") returns 'x x'。

常見問題

正則表達(dá)式對(duì)一些應(yīng)用程序來說是一個(gè)強(qiáng)大的工具，但在有些時(shí)候它并不直觀而且有時(shí)它們不按你期望的運(yùn)行。本節(jié)將指出一些最容易犯的常見錯(cuò)誤。

使用字符串方式

有時(shí)使用 re 模塊是個(gè)錯(cuò)誤。如果你匹配一個(gè)固定的字符串或單個(gè)的字符類，并且你沒有使用 re 的任何象 IGNORECASE 標(biāo)志的功能，那么就沒有必要使用正則表達(dá)式了。字符串有一些方法是對(duì)固定字符串進(jìn)行操作的，它們通?？旌芏啵?yàn)槎际且粋€(gè)個(gè)經(jīng)過優(yōu)化的C 小循環(huán)，用以代替大的、更具通用性的正則表達(dá)式引擎。

舉個(gè)用一個(gè)固定字符串替換另一個(gè)的例子；如，你可以把 "deed" 替換成 "word"。re.sub() seems like the function to use for this, but consider the replace() method. 注意 replace() 也可以在單詞里面進(jìn)行替換，可以把 "swordfish" 變成 "sdeedfish",不過 RE 也是可以做到的。（為了避免替換單詞的一部分，模式將寫成 \bword\b，這是為了要求 "word" 兩邊有一個(gè)單詞邊界。這是個(gè)超出替換能力的工作）。

另一個(gè)常見任務(wù)是從一個(gè)字符串中刪除單個(gè)字符或用另一個(gè)字符來替代它。你也許可以用象 re.sub('\n',' ',S) 這樣來實(shí)現(xiàn)，但 translate() 能夠?qū)崿F(xiàn)這兩個(gè)任務(wù)，而且比任何正則表達(dá)式操作起來更快。

總之，在使用 re 模塊之前，先考慮一下你的問題是否可以用更快、更簡(jiǎn)單的字符串方法來解決。

match() vs search()

match() 函數(shù)只檢查 RE 是否在字符串開始處匹配，而 search() 則是掃描整個(gè)字符串。記住這一區(qū)別是重要的。記住，match() 只報(bào)告一次成功的匹配，它將從 0 處開始；如果匹配不是從 0 開始的，match() 將不會(huì)報(bào)告它。

#!python
 >>> print re.match('super', 'superstition').span()
 (0, 5)
 >>> print re.match('super', 'insuperable')
 None

另一方面，search() 將掃描整個(gè)字符串，并報(bào)告它找到的第一個(gè)匹配。

#!python
 >>> print re.search('super', 'superstition').span()
 (0, 5)
 >>> print re.search('super', 'insuperable').span()
 (2, 7)

有時(shí)你可能傾向于使用 re.match()，只在RE的前面部分添加 .* 。請(qǐng)盡量不要這么做，最好采用 re.search() 代替之。正則表達(dá)式編譯器會(huì)對(duì) REs 做一些分析以便可以在查找匹配時(shí)提高處理速度。一個(gè)那樣的分析機(jī)會(huì)指出匹配的第一個(gè)字符是什么；舉個(gè)例子，模式 Crow 必須從 "C" 開始匹配。分析機(jī)可以讓引擎快速掃描字符串以找到開始字符，并只在 "C" 被發(fā)現(xiàn)后才開始全部匹配。

添加 .* 會(huì)使這個(gè)優(yōu)化失敗，這就要掃描到字符串尾部，然后回溯以找到 RE 剩馀部分的匹配。使用 re.search() 代替。

貪婪 vs 不貪婪

當(dāng)重復(fù)一個(gè)正則表達(dá)式時(shí)，如用 a*，操作結(jié)果是盡可能多地匹配模式。當(dāng)你試著匹配一對(duì)對(duì)稱的定界符，如 HTML 標(biāo)志中的尖括號(hào)時(shí)這個(gè)事實(shí)經(jīng)常困擾你。匹配單個(gè) HTML 標(biāo)志的模式不能正常工作，因?yàn)?.* 的本質(zhì)是“貪婪”的

#!python
 >>> s = '<html><head><title>Title</title>'
 >>> len(s)
 32
 >>> print re.match('<.*>', s).span()
 (0, 32)
 >>> print re.match('<.*>', s).group()
 <html><head><title>Title</title>

RE 匹配 在 "<html>" 中的 "<"，.* 消耗掉子符串的剩馀部分。在 RE 中保持更多的左，雖然 > 不能匹配在字符串結(jié)尾，因此正則表達(dá)式必須一個(gè)字符一個(gè)字符地回溯，直到它找到 > 的匹配。最終的匹配從 "<html" 中的 "<" 到 "</title>" 中的 ">",這并不是你所想要的結(jié)果。

在這種情況下，解決方案是使用不貪婪的限定符 *?、+?、?? 或 {m,n}?，盡可能匹配小的文本。在上面的例子里， ">" 在第一個(gè) "<" 之后被立即嘗試，當(dāng)它失敗時(shí)，引擎一次增加一個(gè)字符，并在每步重試 ">"。這個(gè)處理將得到正確的結(jié)果：

#!python
 >>> print re.match('<.*?>', s).group()
 <html>

注意用正則表達(dá)式分析 HTML 或 XML 是痛苦的。變化混亂的模式將處理常見情況，但 HTML 和 XML 則是明顯會(huì)打破正則表達(dá)式的特殊情況；當(dāng)你編寫一個(gè)正則表達(dá)式去處理所有可能的情況時(shí)，模式將變得非常復(fù)雜。象這樣的任務(wù)用 HTML 或 XML 解析器。

不用 re.VERBOSE

現(xiàn)在你可能注意到正則表達(dá)式的表示是十分緊湊，但它們非常不好讀。中度復(fù)雜的 REs 可以變成反斜杠、圓括號(hào)和元字符的長(zhǎng)長(zhǎng)集合，以致于使它們很難讀懂。

在這些 REs 中，當(dāng)編譯正則表達(dá)式時(shí)指定 re.VERBOSE 標(biāo)志是有幫助的，因?yàn)樗试S你可以編輯正則表達(dá)式的格式使之更清楚。

re.VERBOSE 標(biāo)志有這么幾個(gè)作用。在正則表達(dá)式中不在字符類中的空白符被忽略。這就意味著象 dog | cat 這樣的表達(dá)式和可讀性差的 dog|cat 相同，但 [a b] 將匹配字符 "a"、"b" 或 空格。另外，你也可以把注釋放到 RE 中；注釋是從 "#" 到下一行。當(dāng)使用三引號(hào)字符串時(shí)，可以使 REs 格式更加干凈：

#!python
 pat = re.compile(r"""
 \s*                 # Skip leading whitespace
 (?P<header>[^:]+)   # Header name
 \s* :               # Whitespace, and a colon
 (?P<value>.*?)      # The header's value -- *? used to
 # lose the following trailing whitespace
 \s*$                # Trailing whitespace to end-of-line
 """, re.VERBOSE)

這個(gè)要難讀得多：

#!python
 pat = re.compile(r"\s*(?P<header>[^:]+)\s*:(?P<value>.*?)\s*$")

反饋

正則表達(dá)式是一個(gè)復(fù)雜的主題。本文能否有助于你理解呢？那些部分是否不清晰，或在這兒沒有找到你所遇到的問題？如果是那樣的話，請(qǐng)將建議發(fā)給作者以便改進(jìn)。

最新評(píng)論