Python3 如何优雅地使用正则表达式（详解四）

ゝ一世哀愁。 2022-04-04 09:29 152阅读 0赞

上一篇：[Python3 如何优雅地使用正则表达式（详解三）][Python3]

### 更多强大的功能 ###

到目前为止，我们只是介绍了正则表达式的一部分功能。在这一篇中，我们会学习到一些新的元字符，然后再教大家如何使用组来获得被匹配的部分文本。

### 更多元字符 ###

还有一些元字符我们没有讲到，接下来小甲鱼一一为大家讲解。  
  
有些元字符它们不匹配任何字符，只是简单地表示成功或失败，因此这些字符也称之为**零宽断言**。例如 \\b 表示当前位置位于一个单词的边界，但 \\b 并不能改变位置。因此，零宽断言不应该被重复使用，因为 \\b 并不会修改当前位置，所以 \\b\\b 跟 \\b 是没什么两样的。  
  
*解释：很多人可能不理解“改变位置”和“零宽断言”的意思？我尝试解释下，比如 abc 匹配完 a 之后，咱的当前位置就会移动，才能继续匹配 b，依次类推...但是 \\babc 的话，\\b 表示当前位置在单词的边界（单词的第一个字母或者最后一个字母），这时候当前位置不会发生改变，接着将 a 与当前位置的字符进行匹配......*

**|**

或操作符，对两个正则表达式进行或操作。如果 A 和 B 是正则表达式，A | B 会匹配 A 或 B 中出现的任何字符。为了能够更加合理的工作，| 的优先级非常低。例如 Fish|C 应该匹配 Fish 或 C，而不是匹配 Fis，然后一个 'h' 或 'C'。

同样，我们使用 \\| 来匹配 '|' 字符本身；或者包含在一个字符类中，像这样 \[|\]。

**^**

匹配字符串的起始位置。如果设置了 MULTILINE 标志，就会变成匹配每一行的起始位置。在 MULTILINE 中，每当遇到换行符就会立刻进行匹配。

举个例子，如果你只希望匹配位于字符串开头的单词 From，那么你的正则表达式可以写为 ^From：

>>> print(re.search('^From', 'From Here to Eternity'))  
    <_sre.SRE_Match object; span=(0, 4), match='From'>
    >>> print(re.search('^From', 'Reciting From Memory'))
    None

**$**

匹配字符串的结束位置，每当遇到换行符也会离开进行匹配。

>>> print(re.search('}$', '{block}'))  
    <_sre.SRE_Match object; span=(6, 7), match='}'>
    >>> print(re.search('}$', '{block} '))
    None
    >>> print(re.search('}$', '{block}\n'))  
    <_sre.SRE_Match object; span=(6, 7), match='}'>

同样，我们使用 \\$ 来匹配 '$' 字符本身；或者包含在一个字符类中，像这样 \[$\]。

**\\A**

只匹配字符串的起始位置。如果没有设置 MULTILINE 标志的时候，\\A 和 ^ 的功能是一样的；但如果设置了 MULTILINE 标志，则会有一些不同：\\A 还是匹配字符串的起始位置，但 ^ 会对字符串中的每一行都进行匹配。

**\\Z**

只匹配字符串的结束位置。

**\\b**

单词边界，这是一个只匹配单词的开始和结尾的零宽断言。“单词”定义为一个字母数字的序列，所以单词的结束指的是空格或者非字母数字的字符。

下边例子中，class 只有在出现一个完整的单词 class 时才匹配；如果出现在别的单词中，并不会匹配。

>>> p = re.compile(r'\bclass\b')
    >>> print(p.search('no class at all'))  
    <_sre.SRE_Match object; span=(3, 8), match='class'>
    >>> print(p.search('the declassified algorithm'))
    None
    >>> print(p.search('one subclass is'))
    None

在使用这些特殊的序列的时候，有两点是需要注意的：第一点需要注意的是，Python 的字符串跟正则表达式在有些字符上是有冲突的（回忆之前反斜杠的例子）。比如说在 Python 中，\\b 表示的是退格符（ASCII 码值是 8）。所以，你如果不使用原始字符串，Python 会将 \\b 转换成退格符处理，这样就肯定跟你的预期不一样了。

下边的例子中，我们故意不写表示原始字符串的 'r'，结果确实大相庭径：

>>> p = re.compile('\bclass\b')
    >>> print(p.search('no class at all'))
    None
    >>> print(p.search('\b' + 'class' + '\b'))  
    <_sre.SRE_Match object; span=(0, 7), match='\x08class\x08'>

第二点需要注意的是，在字符类中不能使用这个断言。跟 Python 一样，在字符类中，\\b 只是用来表示退格符。

**\\B**

另一个零宽断言，与 \\b 的含义相反，\\B 表示非单词边界的位置。

### 分组 ###

通常在实际的应用过程中，我们除了需要知道一个正则表达式是否匹配之外，还需要更多的信息。对于比较复杂的内容，正则表达式通常使用分组的方式分别对不同内容进行匹配。

下边的例子，我们将 RFC-822 头用“:”号分成名字和值分别匹配：

From: author@example.com
    User-Agent: Thunderbird 1.5.0.9 (X11/20061227)
    MIME-Version: 1.0
    To: editor@example.com

像这种情况，我们就可以写一个正则表达式先来匹配一整个 RFC-822 头，然后利用分组功能，使用一个组来匹配头的名字，另一个组匹配名字对应的值。

*解释：RFC-822 是电子邮件的标准格式，当然看到这里你还不知道分组要怎么分，不急，请接着往下看......*

在正则表达式中，使用元字符 ( ) 来划分组。( ) 元字符跟数学表达式中的小括号含义差不多；它们将包含在内部的表达式组合在一起，所以你可以对一个组的内容使用重复操作的元字符，例如 \*，+，? 或者 \{m,n\}。

例如，(ab)\* 会匹配零个或者多个 ab：

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