更長的正則表達式示例

我們現(xiàn)在將瀏覽一個深入的示列，它以不同的方式使用正則表達式來操作字符串。首先是一些實際上生成用于操作隨機數(shù)（但不是太隨機）的代碼。示例1-5 展示了gendata.py，這是一個生成數(shù)據(jù)集的腳本。盡管該程序只是將簡單地將生成的字符串集顯示到標準輸出，但是該輸出可以很容易重定向到測試文件。

示例1-5 用于正則表達式練習的數(shù)據(jù)生成器（gendata.py）

該腳本為正則表達式練習創(chuàng)建隨機數(shù)據(jù)，然后將生成的數(shù)據(jù)輸出到屏幕。要將該程序移植到Python 3，僅需要將print 語句修改為函數(shù)，將xrange()函數(shù)修改為range()，以及將sys.maxint 修改為sys.maxsize。

from random import randrange,choice
from string import ascii_lowercase as lc
from sys import maxint
from time import ctime

tlds=('com','edu','net','org','gov')

for i in xrange(randrange(5,11)):
    dtint=randrange(maxint) #pick date
    dtstr=ctime(dtint)      #date string
    llen=randrange(4,8)     #login is shorter
    login=''.join(choice(lc) for j in range(llen))
    dlen=randrange(llen,13) #domain is longer
    dom=''.join(choice(lc) for j in xrange(dlen))
    print('%s::%s@%s.%s::%d-%d-%d' % (dtstr,login,
                                      dom,choice(tlds),dtint,llen,dlen))

該腳本生成擁有三個字段的字符串，由一對冒號或者一對雙冒號分隔。第一個字段是隨機（32 位）整數(shù)，該整數(shù)將被轉(zhuǎn)換為一個日期。下一個字段是一個隨機生成的電子郵件地址。

最后一個字段是一個由單橫線（-）分隔的整數(shù)集。

運行這段代碼，我們將獲得以下輸出（讀者將會從此獲益頗多），并將該輸出在本地另存為redata.txt 文件。

Thu Jul 22 19:21:19 2004::izsp@dicqdhytvhv.edu::1090549279-4-11
Sun Jul 13 22:42:11 2008::zqeu@dxaibjgkniy.com::1216014131-4-11
Sat May 5 16:36:23 1990::fclihw@alwdbzpsdg.edu::641950583-6-10
Thu Feb 15 17:46:04 2007::uzifzf@dpyivihw.gov::1171590364-6-8
Thu Jun 26 19:08:59 2036::ugxfugt@jkhuqhs.net::2098145339-7-7
Tu e Apr 10 01:04:45 2012::zkwaq@rpxwmtikse.com::1334045085-5-10

讀者或者可能會辨別出來，但是來自該程序的輸出是為正則表達式處理做準備的。后續(xù)將逐
行解釋，我們將實現(xiàn)一些正則表達式來操作這些數(shù)據(jù)，以及為本章末尾的練習留下很多內(nèi)容。

匹配字符串

對于后續(xù)的練習，為正則表達式創(chuàng)建寬松和約束性的版本。建議讀者在一個簡短的應用中測試這些正則表達式，該應用利用之前所展示的示例文件redata.txt（或者使用通過運行g(shù)endata.py 生成的數(shù)據(jù)）。當做練習時，讀者將需要再次使用該數(shù)據(jù)。

在將正則表達式放入應用中之前，為了測試正則表達式，我們將導入re 模塊，然后將redata.txt 中的一個示例行賦給字符串變量data。如下所示，這些語句在所有展示的示例中都是常量。

>>> import re
>> > data = 'Thu Feb 15 17:46:04 2007::uzifzf@dpyivihw.gov::1171590364-6-8'

在第一個示例中，我們將創(chuàng)建一個正則表達式來提取（僅僅）數(shù)據(jù)文件redata.txt 中每一行時間戳中一周的幾天。我們將使用下面的正則表達式。

"^ Mon|^Tue|^Wed|^Thu|^Fri|^Sat|^Sun"

該示例需要字符串以列出的7 個字符串中的任意一個開頭（“^”正則表達式中的脫字符）。

如果我們將該正則表達式“翻譯”成自然語言，讀起來就會像這樣：“字符串應當以“Mon”，“Tue”，. . . ,“Sat”或者“Sun”開頭。

換句話說，如果按照如下所示的方式對日期字符串分組，我們就可以使用一個脫字符來替換所有脫字符。

"^ (Mon|Tue|Wed|Thu|Fri|Sat|Sun)"

括住字符串集的圓括號意思是：這些字符串中的一個將會有一次成功匹配。這是我們一開始就使用的“友好的”正則表達式版本，該版本并沒有使用圓括號。如下所示，在這個修改過的正則表達式版本中，可以以子組的方式來訪問匹配字符串。

>>> patt = '^(Mon|Tue|Wed|Thu|Fri|Sat|Sun)'
>>> m = re.match(patt, data)
>>> m.group() # entire match
'Thu'
>>> m.group(1) # subgroup 1
'Thu'
>>> m.groups() # all subgroups
(' Thu',)

我們在該示例所實現(xiàn)的這個特性可能看起來并不是革命性的，但是在下一個示例或者作為正則表達式的一部分提供額外數(shù)據(jù)來實現(xiàn)字符串匹配操作的任何地方，它確定有它的獨到之處，即使這些字符并不是你所感興趣字符的一部分。

以上兩個正則表達式都是非常嚴格的，尤其是要求一個字符串集。這可能在一個國際化的環(huán)境中并不能良好地工作，因為所在的環(huán)境中會使用當?shù)氐娜掌诤涂s寫。一個寬松的正則表達式將為：^\w{3}。該正則表達式僅僅需要一個以三個連續(xù)字母數(shù)字字符開頭的字符串。

再一次，將正則表達式轉(zhuǎn)換為正常的自然語言：脫字符^表示“作為起始”，\w 表示任意單個字母數(shù)字字符，{3}表示將會有3 個連續(xù)的正則表達式副本，這里使用{3}來修飾正則表達式。

再一次，如果想要分組，就必須使用圓括號，例如^(\w{3})。

>>> patt = '^(\w{3})'
>>> m = re.match(patt, data)
>>> if m is not None: m.group()
...
'Thu'
>>> m.group(1)
'T hu'

注意，正則表達式^(\w){3}是錯誤的。當{3}在圓括號中時，先匹配三個連續(xù)的字母數(shù)字字符，然后表示為一個分組。但是如果將{3}移到外部，它就等效于三個連續(xù)的單個字母數(shù)字字符。

>>> patt = '^(\w){3}'
>>> m = re.match(patt, data)
>>> if m is not None: m.group()
...
'Thu'
>>> m.group(1)
'u '

當我們訪問子組1 時，出現(xiàn)字母“u”的原因是子組1 持續(xù)被下一個字符替換。換句話說，m.group(1)以字母“T”作為開始，然后變?yōu)?ldquo;h”，最終被替換為“u”。這些是單個字母數(shù)字字符的三個獨立（并且重疊）分組，與一個包含三個連續(xù)字母數(shù)字字符的單獨分組相反。

在下一個（而且是最后）的示例中，我們將創(chuàng)建一個正則表達式來提取redata.txt 每一行的末尾所發(fā)現(xiàn)的數(shù)字字段。

搜索與匹配……還有貪婪

然而，在創(chuàng)建任何正則表達式之前，我們就意識到這些整數(shù)數(shù)據(jù)項位于數(shù)據(jù)字符串的末尾。這就意味著我們需要選擇使用搜索還是匹配。發(fā)起一個搜索將更易于理解，因為我們確切知道想要查找的內(nèi)容（包含三個整數(shù)的數(shù)據(jù)集），所要查找的內(nèi)容不是在字符串的起始部分，也不是整個字符串。如果我們想要實現(xiàn)匹配，就必須創(chuàng)建一個正則表達式來匹配整個行，然后使用子組來保存想要的數(shù)據(jù)。要展示它們之間的差別，就需要先執(zhí)行搜索，然后實現(xiàn)匹配，以展示使用搜索更適合當前的需要。

因為我們想要尋找三個由連字符分隔的整數(shù)，所以可以創(chuàng)建自己的正則表達式來說明這一需求：\d±\d±\d+。該正則表達式的含義是，“任何數(shù)值的數(shù)字（至少一個）后面跟著一個連字符，然后是多個數(shù)字、另一個連字符，最后是一個數(shù)字集。”我們現(xiàn)在將使用search()來測試該正則表達式：

>>> patt = '\d+-\d+-\d+'
>>> re.search(patt, data).group() # entire match
'1 171590364-6-8'

一個匹配嘗試失敗了，為什么呢？因為匹配從字符串的起始部分開始，需要被匹配的數(shù)值位于字符串的末尾。我們將不得不創(chuàng)建另一個正則表達式來匹配整個字符串。但是可以使用惰性匹配，即使用“.+”來表明一個任意字符集跟在我們真正感興趣的部分之后。

patt = '.+\d+-\d+-\d+'
>>> re.match(patt, data).group() # entire match
'T hu Feb 15 17:46:04 2007::uzifzf@dpyivihw.gov::1171590364-6-8'

該正則表達式效果非常好，但是我們只想要末尾的數(shù)字字段，而并不是整個字符串，因此不得不使用圓括號對想要的內(nèi)容進行分組。

>>> patt = '.+(\d+-\d+-\d+)'
>>> re.match(patt, data).group(1) # subgroup 1
'4 -6-8'

發(fā)生了什么？我們將提取1171590364-6-8，而不僅僅是4-6-8。第一個整數(shù)的其余部分在哪兒？問題在于正則表達式本質(zhì)上實現(xiàn)貪婪匹配。這就意味著對于該通配符模式，將對正則表達式從左至右按順序求值，而且試圖獲取匹配該模式的盡可能多的字符。在之前的示例中，使用
“.+”獲取從字符串起始位置開始的全部單個字符，包括所期望的第一個整數(shù)字段。\d+僅僅需要一個數(shù)字，因此將得到“4”，其中.+匹配了從字符串起始部分到所期望的第一個數(shù)字的全部內(nèi)容：“Thu Feb 15 17:46:04 2007::uzifzf@dpyivihw.gov::117159036”，如圖1-2 所示。

其中的一個方案是使用“非貪婪”操作符“?”。讀者可以在“*”、“+”或者“?”之后使用該操作符。該操作符將要求正則表達式引擎匹配盡可能少的字符。因此，如果在“.+”之10后放置一個“?”，我們將獲得所期望的結(jié)果，如圖1-3 所示。

>>> patt = '.+?(\d+-\d+-\d+)'
>>> re.match(patt, data).group(1) # subgroup 1
'1171590364-6-8'

另一個實際情況下更簡單的方案，就是把“::”作為字段分隔符。讀者可以僅僅使用正則字符串strip(‘:: ‘)方法獲取所有的部分，然后使用strip(’-’)作為另一個橫線分隔符，就能夠獲取最初想要查詢的三個整數(shù)。現(xiàn)在，我們不想先選擇該方案，因為這就是我們?nèi)绾螌⒆址旁谝黄?，以使用gendata.py 作為開始!

最后一個示例：假定我們僅想取出三個整數(shù)字段中間的那個整數(shù)。如下所示，這就是實現(xiàn)的方法（使用一個搜索，這樣就不必匹配整個字符串）：-(\d+)-。嘗試該模式，將得到以下內(nèi)容。

>>> patt = '-(\d+)-'
>>> m = re.search(patt, data)
>>> m.group() # entire match
'-6-'
>>> m.group(1) # subgroup 1
'6 '

本章幾乎沒有涉及正則表達式的強大功能，在有限的篇幅里面我們不可能做到。然而，我們希望已經(jīng)向讀者提供了足夠有用的介紹性信息，使讀者能夠掌握這個強有力的工具，并融入到自己的編程技巧里面。建議讀者閱讀參考文檔以獲取在Python 中如何使用正則表達式
的更多細節(jié)。對于想要更深入研究正則表達式的讀者，建議閱讀由 Jeffrey E. F. Friedl.編寫的Mastering Regular Expressions。

總結(jié)

到此這篇關(guān)于Python正則表達式的文章就介紹到這了,更多相關(guān)Python正則表達式內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！