详解正则表达式(re) 一
re
正则表达式 可以用形式化的语法描述文本匹配模式，模式又被正则表达式引擎编译成指令；执行指令并提供一个字符串作为输入，就可以知道给定的输入有没有与模式相匹配。 文字比较空洞还是直接看例子吧。
search 查找文本中的模式
查找一段文本中有没有出现 sql 这个字符串。
In [1]: s ="I like sql"
In [2]: 'sql' in s
Out[2]: True
可以看到根本没有用到 re 这个库就把问题给解决了；但是没有 bug 吗？
In [3]: s = "I like www.sqlpy.com"
In [4]: 'sql' in s
Out[4]: True
# 这样的太不应该了，我想要的只是 sql 而不是 xxxsqlxx。
用 re 就没有 bug 了。
In [1]: import re
In [2]: p = r"sql"
In [3]: s = "I like sql"
In [4]: re.search(p,s)
Out[4]: <re.Match object; span=(7, 10), match='sql'>
In [5]: s = "I like www.sqlpy.com"
In [6]: re.search(p,s) # 可以看到不在有匹配
In [7]:
原因在于用 re 我们把可以把自己要找到内容描述的更加清楚，'sql' in s 讲的是 s 中是否包含sql 这三个字符，而 r"sql" 描述的是 'sql' 这个单词。
compile 编译
上面的代码还有一个问题，re.search(p,s) 运行到这里的时候就会对模式进行编译，运行几次就编译几次，对于反复用到的模式提前编译是一个好的选择。下面是两种处理方式的性能比较。
#!/usr/bin/evn python3
import re
import time
# 提前把用到的模式编译好
global_pattern = re.compile(r"sql")
def fun_a():
"""在每次用的时候都编译模式
"""
p = r"sql"
s = "I like sql"
return re.search(p, s)
def fun_b():
"""使用提交编译好的模式
"""
global global_pattern
s = "I like sql"
return global_pattern.search(s)
def run(fun, times=1000):
start_at = time.time()
for t in range(times):
fun()
complete_at = time.time()
print(
f"function {fun.__name__} execute {times} times cost {complete_at - start_at}")
if __name__ == "__main__":
run(fun_a, 10000)
run(fun_b, 10000)
运行结果。
python3 main.py
function fun_a execute 10000 times cost 0.013822078704833984
function fun_b execute 10000 times cost 0.006231784820556641
可以看到提前编译要比即时编译快 100% 。
findall 查询所有匹配
通过 search 只能知道有没有匹配，如果有多处匹配我们怎么提取出来呢？
In [1]: import re
In [2]: s = "ab abb abbb abbbb"
In [3]: p = r"ab*"
In [4]: re.search(p,s)
Out[4]: <re.Match object; span=(0, 2), match='ab'>
In [5]: for m in re.findall(p,s):
...: print(m)
...:
ab
abb
abbb
abbbb
In [6]: type(re.findall(p,s))
Out[6]: list
可以看到 findall 返回的是一列表而列表的元素是字符串，如果有大量的结果被匹配到，比如几千几亿个，这个 list 是非常吃内存的，理节约内存的方式是使用生成器。
In [7]: for m in re.finditer(p,s):
...: print(m)
...:
<re.Match object; span=(0, 2), match='ab'>
<re.Match object; span=(3, 6), match='abb'>
<re.Match object; span=(7, 11), match='abbb'>
<re.Match object; span=(12, 17), match='abbbb'>
In [8]: type(re.finditer(p,s))
Out[8]: callable_iterator
重复与贪婪
正则表达式对重复的描述包含 5 种形式。
1、ab* 说的是 'a' 后面的 'b' 可以是零个也可以是任意多个。 2、ab+ 说的是 'a' 后面的 'b' 至少是一个。 3、ab? 说的是 'a' 后面的 'b' 要么没有要么只有一个。4、ab{5}说的是 'a' 后面的 'b' 一定要是 5 个，当然这里的 5 也可以改在其它的数值，视需求而定。 5、ab{5,8} 说的是可以是 5 个到 8 个之间([5,8]开边都是闭区间)。
默认情况下正则表达式工作在贪婪模式，也就是说它会倾向于匹配出更多的字符串，看一下面的例子。
In [1]: import re
In [2]: s = "abbbb"
In [3]: p = "ab*"
In [4]: re.search(p,s)
Out[4]: <re.Match object; span=(0, 5), match='abbbb'>
怎么让它匹配出尽可能少的字符串呢？答案是在正则表达式的结尾处加上一个?号，看下面的代码。
In [5]: p = "ab*?"
In [6]: re.search(p,s)
Out[6]: <re.Match object; span=(0, 1), match='a'>