第2章 量詞
2.1 一般形式
根據(jù)上一章的介紹，可以用字符組[0-9]或者\d 匹配單個數(shù)字字符。現(xiàn)在用正則表達(dá)式來驗(yàn)證更復(fù)雜的字符串，比如大陸地區(qū)的郵政編碼。
粗略來看，郵政編碼并沒有特殊的規(guī)定，只是6位數(shù)字構(gòu)成的字符串，比如201203、100858，所以用正則表達(dá)式來表示就是\d\d\d\d\d\d，如例2-1所示，只有同時滿足“長度是6個字符”和“每個字符都是數(shù)字”兩個條件，匹配才成功（同樣，這里不能忽略^和$）。
例2-1匹配郵政編碼
re.search(r"^\d\d\d\d\d\d$", "100859") != None # => True
re.search(r"^\d\d\d\d\d\d$", "201203") != None # => True
re.search(r"^\d\d\d\d\d\d$", "20A203") != None # => False
re.search(r"^\d\d\d\d\d\d$", "20103") != None # => False
re.search(r"^\d\d\d\d\d\d$", "2012036") != None # => False
雖然這不難理解，但\d重復(fù)了6次，讀寫都不方便。為此，正則表達(dá)式提供了量詞（quantifier），比如上面匹配郵政編碼的表達(dá)式，就可以如例2-2那樣，簡寫為\d{6}，它使用阿拉伯?dāng)?shù)字，更簡潔也更直觀。
例2-2使用量詞簡化字符組
re.search(r"^\d{6}$", "100859") != None # => True
re.search(r"^\d{6}$", "201203") != None # => True
re.search(r"^\d{6}$", "20A203") != None # => False
re.search(r"^\d{6}$", "20103") != None # => False
re.search(r"^\d{6}$", "2012036") != None # => False
量詞還可以表示不確定的長度，其通用形式是{m,n}，其中m和n 是兩個數(shù)字（有些人習(xí)慣在代碼中的逗號之后添加空格，這樣更好看，但是量詞中的逗號之后絕不能有空格），它限定之前的元素![在上一章提到，字符組是正則表達(dá)式的基本“結(jié)構(gòu)”之一，而此處提到之前的“元素”，在此做一點(diǎn)解釋。在本書中，“結(jié)構(gòu)”一般指的是正則表達(dá)式所提供功能的記法。比如字符組就是一種結(jié)構(gòu)，下一章要提到的括號也是一種結(jié)構(gòu)；而“元素”指的是具體的正則表達(dá)式中的某個部分，比如某個具體表達(dá)式中的字符組[a-z]，可以算作一個元素，“元素”也叫“子表達(dá)式”（sub-expression）。](https://epubservercos.yuewen.com/47B7ED/3590447603818201/epubprivate/OEBPS/Images/note.png?sign=1749125468-meYYKJFdeouxOi1kHjj6zE966vLFKbWd-0-2d57fc3a6787b3e340beb75d5dcf98b1)
能夠出現(xiàn)的次數(shù)，m是下限，n是上限（均為閉區(qū)間）。比如\d{4,6}，就表示這個數(shù)字字符串的長度最短是4個字符（“單個數(shù)字字符”至少出現(xiàn)4次），最長是6個字符。
如果不確定長度的上限，也可以省略，只指定下限，寫成\d{m,}，比如\d{4,}表示“數(shù)字字符串的長度必須在4個字符以上”。
量詞限定的出現(xiàn)次數(shù)一般都有明確下限，如果沒有，則默認(rèn)為0。有一些語言（比如Ruby）支持{,n}的記法，這時候并不是“不確定長度的下限”，而是省略了“下限為0”的情況，比如\d{,6}表示“數(shù)字字符串最多可以有6個字符”。不過，這種用法并不是所有語言中都通用的，比如Java就不支持這種寫法，所以必須寫明{0,n}。我推薦的做法是：最好使用{0,n}的記法，因?yàn)樗菑V泛支持的。表2-1集中說明了這幾種形式的量詞，例2-3展示了它們的使用。
表2-1 量詞的一般形式
例2-3表示不確定長度的量詞
re.search(r"^\d{4,6}$", "123") != None # => False
re.search(r"^\d{4,6}$", "1234") != None # => True
re.search(r"^\d{4,6}$", "123456") != None # => True
re.search(r"^\d{4,6}$", "1234567") != None # => False
re.search(r"^\d{4,}$", "123") != None # => False
re.search(r"^\d{4,}$", "1234") != None # => True
re.search(r"^\d{4,}$", "123456") != None # => True
re.search(r"^\d{0,6}$", "12345") != None # => True
re.search(r"^\d{0,6}$", "123456") != None # => True
re.search(r"^\d{0,6}$", "1234567") != None # => False
2.2 常用量詞
{m,n}是通用形式的量詞，正則表達(dá)式還有三個常用量詞，分別是+、?、*。它們的形態(tài)雖然不同于{m,n}，功能卻是相同的（也可以把它們理解為“量詞簡記法”），具體說明見表2-2。
表2-2 常用量詞
在實(shí)際應(yīng)用中，在很多情況只需要表示這三種意思，所以常用量詞的使用頻率要高于{m,n}，下面分別說明。
大家都知道，美國英語和英國英語有些詞的寫法是不一樣的，比如traveler和traveller，如果希望“通吃”traveler和traveller，就要求第2個l是“至多出現(xiàn)1次，也可能不出現(xiàn)”的，正好使用?量詞：travell?er，如例2-4所示。
例2-4量詞?的應(yīng)用
re.search(r"^travell?er$", "traveler") != None # => True
re.search(r"^travell?er$", "traveller") != None # => True
其實(shí)這樣的情況還有很多，比如favor和favour、color和colour。此外還有很多其他應(yīng)用場合，比如http和https，雖然是兩個概念，但都是協(xié)議名，可以用https?匹配；再比如表示價(jià)格的字符串，有可能是100也有可能是￥100，可以用￥?100匹配。
量詞也廣泛應(yīng)用于解析HTML代碼。HTML是一種“標(biāo)簽語言”，它包含各種各樣的tag（標(biāo)簽），比如<head>、<img>、<table>等，這些tag的名字各異，形式卻相同：從<開始，到>結(jié)束，在<和>之間有若干字符，“若干”的意思是長度不確定，但不能為0（<>并不是合法的tag），也不能是>字符。如果要用一個正則表達(dá)式匹配所有的tag，需要用<匹配開頭的<，用>匹配結(jié)尾的>，用[^>]+匹配中間的“若干字符”，所以整個正則表達(dá)式就是<[^>]+>，程序如例2-5所示。
例2-5量詞+的應(yīng)用
re.search(r"^<[^>]+>$", "<bold>") != None # => True
re.search(r"^<[^>]+>$", "</table>") != None # => True
re.search(r"^<[^>]+>$", "<>") != None # => False
類似的，也可以使用正則表達(dá)式匹配雙引號字符串。不同的是，雙引號字符串的兩個雙引號之間可以沒有任何字符，""也是一個完全合法的雙引號字符串，應(yīng)該使用量詞*，于是整個正則表達(dá)式就成了"[^"]*"，程序見例2-6。
例2-6量詞*的應(yīng)用
re.search(r"^\"[^\"]*\"$", "\"some\"") != None # => True
re.search(r"^\"[^\"]*\"$", "\"\"") != None # => True
注：字符串之中表示雙引號需要轉(zhuǎn)義寫成\"，這并不是正則表達(dá)式中的規(guī)定，而是為字符串轉(zhuǎn)義考慮。
量詞的使用有很多學(xué)問，不妨多看幾個tag匹配的例子：tag可以粗略分為open tag和close tag，比如<head>就是open tag，而</html>就是close tag；另外還有一類標(biāo)簽是self-closing tag，比如<br/>。現(xiàn)在來看分別匹配這三類tag的正則表達(dá)式。
open tag的特點(diǎn)是以<開頭，然后是“若干字符”（但不能以/開頭），最后是>，所以對應(yīng)的正則表達(dá)式是<[^/][^>]*>；注意：因?yàn)?span id="gicgelm" class="bgcolor_106">[^/]必須匹配一個字符，所以“若干字符”中其他部分必須寫成[^>]*，否則它無法匹配名字為單個字符的標(biāo)簽，比如<b>。
close tag的特點(diǎn)是以<開頭，之后是/字符，然后是“若干字符（但不能以/開頭）”，最后是>，所以對應(yīng)的正則表達(dá)式是</[^>]+>；
self-closing tag的特點(diǎn)是以<開頭，中間是“若干字符”，最后是/>，所以對應(yīng)的正則表達(dá)式是<[^>]+/>。注意：這里不是<[^>/]+/>，排除型字符組只排除>，而不排除/，因?yàn)橐_認(rèn)的只是在結(jié)尾的>之前出現(xiàn)/，如果寫成<[^>/]+/>，則要求tag內(nèi)部不能出現(xiàn)/，就無法匹配<img src="http://somehost/picture" />這類的tag了。
表2-3列出了匹配幾類tag的表達(dá)式。
表2-3 各類tag的匹配
對比表格中“匹配所有tag的表達(dá)式”和“匹配分類tag的表達(dá)式”，可以發(fā)現(xiàn)它們的模式是相近的，只是細(xì)節(jié)上有差異。也就是說，通過變換字符組和量詞，可以準(zhǔn)確控制正則表達(dá)式能匹配的字符串的范圍，達(dá)到不同的目的。這其實(shí)是使用正則表達(dá)式時的一條根本規(guī)律：使用合適的結(jié)構(gòu)（包括字符組和量詞），精確表達(dá)自己的意圖，界定能匹配的文本。
再仔細(xì)觀察，你或許會發(fā)現(xiàn)，匹配open tag的表達(dá)式，也可以匹配self-closing tag：<[^/][^>]*>能夠匹配<br/>，因?yàn)?span id="2smbom9" class="bgcolor_106">[^>]*并不排除對/的匹配。那么將表達(dá)式改為<[^/][^>]*[^/]>，就保證匹配的open tag不會以/>結(jié)尾了。
不過這會產(chǎn)生新的問題：<[^/][^>]*[^/]>能匹配的tag，在<和>之間出現(xiàn)了兩個[^/]，上一章已經(jīng)講過，排除型字符組表示“在當(dāng)前位置，匹配一個沒有列出的字符”，所以tag里的字符串必須至少包含兩個字符，這樣就無法匹配<u>了。
仔細(xì)想想，真正要表達(dá)的意思是，在tag內(nèi)部的字符串不能以/開頭，也不能以/結(jié)尾，如果這個字符串只包含一個字符，那么它既是開頭，又是結(jié)尾，使用兩個排除型字符組顯然是不合適的，看起來沒辦法解決了。實(shí)際上，只是現(xiàn)有的知識還不足夠解決這個問題而已，在第68 頁有這個問題的詳細(xì)解法。
2.3 數(shù)據(jù)提取
正則表達(dá)式的功能很多，除去之前介紹的驗(yàn)證（字符串能否由正則表達(dá)式匹配），還可以從某個字符串中提取出某個字符串能匹配的所有文本。
上一章提到，re.search()如果匹配成功，返回一個 MatchObject 對象。這個對象包含了匹配的信息，比如表達(dá)式匹配的結(jié)果，可以像例2-7那樣，通過調(diào)用MatchObject.group(0)來獲得。這個方法以后詳細(xì)介紹，現(xiàn)在只需要了解一點(diǎn)：調(diào)用它可以得到表達(dá)式匹配的文本。
例2-7通過MatchObject獲得匹配的文本
#注意這里使用鏈?zhǔn)骄幊?
print re.search(r"\d{6}", "ab123456cd").group(0)
123456
print re.search(r"^<[^>]+>$", "<bold>").group(0)
<bold>
這里再介紹一個方法：re.findall(pattern,string)。其中pattern是正則表達(dá)式，string是字符串。這個方法會返回一個數(shù)組，其中的元素是在string中依次尋找pattern能匹配的文本。
以郵政編碼的匹配為例，假設(shè)某個字符串中包含兩個郵政編碼：zipcode1:201203, zipcode2:100859，仍然使用之前匹配郵政編碼的正則表達(dá)式\d{6}，調(diào)用 re.findall()可以將這兩個郵政編碼提取出來，如例2-8。注意，這次要去掉表達(dá)式首尾的^和$，因?yàn)橐褂谜齽t表達(dá)式在字符串中尋找匹配，而不是驗(yàn)證整個字符串能否由正則表達(dá)式匹配。
例2-8使用re.findall()提取數(shù)據(jù)
print re.findall(r"\d{6}", "zipcode1:201203, zipcode2:100859")
['201203', '100859']
#也可以逐個輸出
for zipcode in re.findall(r"\d{6}", "zipcode1:201203, zipcode2:100859"):
print zipcode
201203
100859
借助之前的匹配各種tag的正則表達(dá)式，還可以通過re.findall()將某個HTML頁面中所有的tag提取出來，下面以Yahoo首頁為例。
首先要讀入http://www.yahoo.com/的HTML源代碼，在Python中先獲得URL對應(yīng)頁面的源代碼，保存到htmlSource變量中，然后針對匹配各類tag的正則表達(dá)式，分別調(diào)用re.findall()，獲得各類tag的列表（因?yàn)檫@個頁面中包含的tag太多，每類tag只顯示前3個）。
因?yàn)檫@段程序的輸出很多，在交互式界面下不方便操作和觀察，建議將這些代碼單獨(dú)保存為一個.py文件，比如findtags.py，然后輸入python findtags.py運(yùn)行。如果輸入python沒有結(jié)果（一般在Windows下會出現(xiàn)這種情況），需要準(zhǔn)確設(shè)定 PATH變量，比如 d:\Python\python。之后，就會看到例2-9顯示的結(jié)果。
例2-9使用re.findall()提取tag
#導(dǎo)入需要的package
import urllib
import re
#讀入HTML源代碼
sock = urllib.urlopen("http://yahoo.org/")
htmlSource = sock.read()
sock.close()
#匹配，輸出結(jié)果（[0:3]表示取前3個）
print "open tags:"
print re.findall(r"<[^/>][^>]*[^/>]>", htmlSource)[0:3]
print "close tags:"
print re.findall(r"</[^>]+>", htmlSource) [0:3]
print "self-closing tags:"
print re.findall(r"<[^>/]+/>", htmlSource) [0:3]
open tags:
['<!DOCTYPE html>', '<html lang="en-US" class="y-fp-bg y-fp-pg-grad
bkt701">', '<!-- m2 template 0-->']
close tags:
['</title>', '</script>', '</script>']
self-closing tags:
['<br/>', '<br/>', '<br/>']
2.4 點(diǎn)號
上一章講到了各種字符組，與它相關(guān)的還有一個特殊的元字符：點(diǎn)號.。一般文檔都說，點(diǎn)號可以匹配“任意字符”，點(diǎn)號確實(shí)可以匹配“任意字符”，常見的數(shù)字、字母、各種符號都可以匹配，如例2-10所示。
例2-10點(diǎn)號.的匹配
re.search(r"^.$", "a") != None # => True
re.search(r"^.$", "0") != None # => True
re.search(r"^.$", "*") != None # => True
有一個字符不能由點(diǎn)號匹配，就是換行符\n。這個字符平時看不見，卻存在，而且在處理時并不能忽略（下一章會給出具體的例子）。
如果非要匹配“任意字符”，有兩種辦法：可以指定使用單行匹配模式，在這種模式下，點(diǎn)號可以匹配換行符（?84）；或者使用上一章的介紹“自制”通配字符組[\s\S]（也可以使用[\d\D]或[\w\W]），正好涵蓋了所有字符。例2-11清楚地說明，這兩個辦法都可以匹配換行符。
例2-11換行符的匹配
re.search(r"^.$", "\n") != None # => False
#單行模式
re.search(r"(?s)^.$", "\n") != None # => True
#自制“通配字符組”
re.search(r"^[\s\S]$", "\n") != None # => True
2.5 濫用點(diǎn)號的問題
因?yàn)辄c(diǎn)號能匹配幾乎所有的字符，所以實(shí)際應(yīng)用中許多人圖省事，隨意使用.*或.+，結(jié)果卻事與愿違，下面以雙引號字符串為例來說明。
之前我們使用表達(dá)式"[^"]*"匹配雙引號字符串，而“圖省事”的做法是".*"。通常這么用是沒有問題的，但也可能有意外，例2-12就說明了一種如此。
例2-12 “圖省事”的意外結(jié)果
#字符串的值是"quoted string"
print re.search(r"\".*\"", "\"quoted string\"").group(0)
"quoted string"
#字符串的值是string" and another"
print re.search(r"\".*\"", "\"quoted string\" and another\"").group(0)
"quoted string" and another"
用".*"匹配雙引號字符串，不但可以匹配正常的雙引號字符串"quoted string"，還可以匹配格式錯誤的字符串"quoted string" and another"。這是為什么呢？
這個問題比較復(fù)雜，現(xiàn)在只簡要介紹，以說明圖省事導(dǎo)致錯誤的原因，更深入的原因涉及正則表達(dá)式的匹配原理，在第8章詳細(xì)介紹。
在正則表達(dá)式".*"中，點(diǎn)號.可以匹配任何字符，*表示可以匹配的字符串長度沒有限制，所以.*在匹配過程結(jié)束以前，每遇到一個字符（除去無法匹配的\n），.*都可以匹配，但是到底是匹配這個字符，還是忽略它，將其交給之后的"來匹配呢？
答案是，具體選擇取決于所使用的量詞。在正則表達(dá)式中的量詞分為幾類，之前介紹的量詞都可以歸到一類，叫做匹配優(yōu)先量詞（greedy quantifier，也有人翻譯為貪婪量詞）。匹配優(yōu)先量詞，顧名思義，就是在拿不準(zhǔn)是否要匹配的時候，優(yōu)先嘗試匹配，并且記下這個狀態(tài)，以備將來“反悔”。
來看表達(dá)式".*"對字符串"quoted string"的匹配過程。
一開始，"匹配"，然后輪到字符q，.*可以匹配它，也可以不匹配，因?yàn)槭褂昧似ヅ鋬?yōu)先量詞，所以.*先匹配q，并且記錄下這個狀態(tài)【q也可能是.*不應(yīng)該匹配的】；
接下來是字符 u，.*可以匹配它，也可以不匹配，因?yàn)槭褂昧似ヅ鋬?yōu)先量詞，所以.*先匹配u，并且記錄下這個狀態(tài)【u也可能是.*不應(yīng)該匹配的】；
……
現(xiàn)在輪到字符 g，.*可以匹配它，也可以不匹配，因?yàn)槭褂昧似ヅ鋬?yōu)先量詞，所以.*先匹配g，并且記錄下這個狀態(tài)【g也可能是.*不應(yīng)該匹配的】；
最后是末尾的"，.*可以匹配它，也可以不匹配，因?yàn)槭褂昧似ヅ鋬?yōu)先量詞，所以.*先匹配"，并且記錄下這個狀態(tài)【"也可能是.*不應(yīng)該匹配的】。
這時候，字符串之后已經(jīng)沒有字符了，但正則表達(dá)式中還有"沒有匹配，所以只能查詢之前保存?zhèn)溆玫臓顟B(tài)，看看能不能退回幾步，照顧"的匹配。查詢到最近保存的狀態(tài)是：【"也可能是.*不應(yīng)該匹配的】。于是讓.*“反悔”對"的匹配，把"交給"，測試發(fā)現(xiàn)正好能匹配，所以整個匹配宣告成功。這個“反悔”的過程，專業(yè)術(shù)語叫做回溯（backtracking），具體的過程如圖2-1所示。
圖2-1 表達(dá)式".*"對字符串"quoted string"的匹配過程
如果把字符串換成"quoted string" and another"，.*會首先匹配第一個雙引號之后的所有字符，再進(jìn)行回溯，表達(dá)式中的"匹配了字符串結(jié)尾的字符"，整個匹配宣告完成，過程如圖2-2所示。
圖2-2 表達(dá)式".*"的匹配過程
如果要準(zhǔn)確匹配雙引號字符串，就不能圖省事使用".*"，而要使用"[^"]*"，過程如圖2-3所示。
圖2-3 表達(dá)式"[^"]*"的匹配過程
2.6 忽略優(yōu)先量詞
也有些時候，確實(shí)需要用到.*（或者[\s\S]*），比如匹配HTML代碼中的JavaScript示例就是如此。
<script type="text/javascript">…</script>
匹配的模式仍然是：匹配open tag和close tag，以及它們之間的內(nèi)容。open tag是<script type="text/javascript">，close tag是</script>，這兩段的內(nèi)容是固定的，非常容易寫出對應(yīng)的表達(dá)式，但之間的內(nèi)容怎么匹配呢？在JavaScript代碼中，各種字符都可能出現(xiàn)，所以不能用排除型字符組，只能用.*。比如，用一個正則表達(dá)式匹配下面這段HTML源代碼：
<script type="text/javascript">
alert("some punctuation <>/");
</script>
開頭和結(jié)尾的tag都容易匹配，中間的代碼要比較麻煩，因?yàn)辄c(diǎn)號.不能匹配換行符，所以必須使用[\s\S]（或者[\d\D]、[\w\W]）。
<script type="text/javascript">[\s\S]*</script>
這個表達(dá)式確實(shí)可以匹配上面的JavaScript代碼。但是如果遇到更復(fù)雜的情況就會出錯，比如針對下面這段HTML代碼，程序運(yùn)行結(jié)果如例2-13。
<script type="text/javascript">
alert("1");
</script>
<br />
<script type="text/javascript">
alert("2");
</script>
例2-13匹配JavaScript代碼的錯誤
#假設(shè)上面的JavaScript代碼保存在變量htmlSource中
jsRegex = r"<script type=\"text/javascript\">[\s\S]*</script>"
print re.search(jsRegex, htmlSource).group(0)
<script type="text/javascript">
alert("1");
</script>
<br />
<script type="text/javascript">
alert("2");
</script>
用<script type="text/javascript">[\s\S]*</script>來匹配，會一次性匹配兩段JavaScript代碼，甚至包含之間的非JavaScript代碼。
按照匹配原理，[\s\S]*先匹配所有的文本，回溯時交還最后的</script>，整個表達(dá)式的匹配就成功了，邏輯就是如此，無可改進(jìn)。而且，這個問題也不能模仿之前雙引號字符串匹配，用[^"]*匹配<script…>和</script>之間的代碼，因?yàn)榕懦妥址M只能排除單個字符，[^</script>]不能表示“不是</script>的字符串”。
換個角度來看，通過改變[\s\S]*的匹配策略解決問題：在不確定是否要匹配的場合，先嘗試不匹配的選擇，測試正則表達(dá)式中后面的元素，如果失敗，再退回來嘗試.*匹配，如此就沒問題了。
循著這個思路，正則表達(dá)式中還提供了忽略優(yōu)先量詞（lazy quantifier或reluctant quantifier，也有人翻譯為懶惰量詞），如果不確定是否要匹配，忽略優(yōu)先量詞會選擇“不匹配”的狀態(tài)，再嘗試表達(dá)式中之后的元素，如果嘗試失敗，再回溯，選擇之前保存的“匹配”的狀態(tài)。
對[\s\S]*來說，把*改為*?就是使用了忽略優(yōu)先量詞，*?限定的元素出現(xiàn)次數(shù)范圍與*完全一樣，都表示“可能出現(xiàn)，也可能不出現(xiàn)，出現(xiàn)次數(shù)沒有上限”。區(qū)別在于，在實(shí)際匹配過程中，遇到[\s\S]能匹配的字符，先嘗試“忽略”，如果后面的元素（具體到這個表達(dá)式中，是</script>）不能匹配，再嘗試“匹配”，這樣就保證了結(jié)果的正確性，代碼見例2-14。
例2-14準(zhǔn)確匹配JavaScript代碼
#仍然假設(shè)JavaScript代碼保存在變量htmlSource中
jsRegex = r"<script type=\"text/javascript\">[\s\S]*?</script>"
print re.search(jsRegex, htmlSource) .group(0)
<script type="text/javascript">
alert("1");
</script>
#甚至也可以逐次提取出兩段JavaScript代碼
jsRegex = r"<script type=\"text/javascript\">[\s\S]*?</script>"
for jsCode in re.findall(jsRegex, htmlSource) :
print jsCode + "\n"
<script type="text/javascript">
alert("1");
</script>
<script type="text/javascript">
alert("2");
</script>
從表2-4可以看到，匹配優(yōu)先量詞與忽略優(yōu)先量詞逐一對應(yīng)，只是在對應(yīng)的匹配優(yōu)先量詞之后添加?，兩者限定的元素能出現(xiàn)的次數(shù)也一樣，遇到不能匹配的情況同樣需要回溯；唯一的區(qū)別在于，忽略優(yōu)先量詞會優(yōu)先選擇“忽略”，而匹配優(yōu)先量詞會優(yōu)先選擇“匹配”。
表2-4 匹配優(yōu)先量詞與忽略優(yōu)先量詞
忽略優(yōu)先量詞還可以完成許多其他功能，典型的例子就是提取代碼中的C語言注釋。
C語言的注釋有兩種：一種是在行末，以//開頭；另一種可以跨多行，以/*開頭，以*/結(jié)束。第一種注釋很好匹配，使用//.*即可，因?yàn)辄c(diǎn)號.不能匹配換行符，所以//.*匹配的就是從//直到行末的文本，注意這里使用了量詞*，因?yàn)?span id="w9elk7l" class="bgcolor_105">//可能就是該行最后兩個字符；第二種注釋稍微復(fù)雜一點(diǎn)，因?yàn)?span id="sk7rvla" class="bgcolor_105">/*…*/的注釋和JavaScript一樣，可能分成許多段，所以必須用到忽略優(yōu)先量詞；同時因?yàn)樽⑨尶赡軝M跨多行，所以必須使用[\s\S]。因此，整個表達(dá)式就是/\*[\s\S]*?\*/（別忘了*的轉(zhuǎn)義）。
另一個典型的例子是提取出HTML代碼中的超鏈接。常見的超鏈接形似<a href="http://somehost/somepath">text</a>。它以<a開頭，以</a>結(jié)束，href屬性是超鏈接的地址。我們無法預(yù)先判斷<a>和</a>之間到底會出現(xiàn)哪些字符，不會出現(xiàn)哪些字符，只知道其中的內(nèi)容一直到</a>結(jié)束，程序代碼見例2-15。
例2-15提取網(wǎng)頁中所有的超鏈接tag
#仍然獲得yahoo網(wǎng)站的源代碼，存放在htmlSource中
for hyperlink in re.findall(r"<a\s[\s\S]+?</a>", htmlSource):
print hyperlink
#更多結(jié)果未列出
<a >Web</a>
<a >Images</a>
<a >Video</a>
值得注意的是，在這個表達(dá)式中的<a之后并沒有使用普通空格，而是使用字符組簡記法\s。HTML語法并沒有規(guī)定此處的空白只能使用空格字符，也沒有規(guī)定必須使用一個空白字符，所以我們用\s保證“至少出現(xiàn)一個空白字符”（但是不能沒有這個空白字符，否則就不能保證匹配tag name是a）。
之 前 匹 配JavaScript的 表 達(dá) 式 是<script language="text/javascript">[\s\S]*?</script>，它能應(yīng)對的情況實(shí)在太少了：在<script之后可能不是空格，而是空白字符；再之后可能是type="text/javascript"，也可能是type="application/javascript"，也可能用language取代type（實(shí)際上language是以前的寫法，現(xiàn)在大都用type），甚至可能沒有屬性，直接是<script>。
所以必須改造這個表達(dá)式，將條件放寬：在script之后，可能出現(xiàn)空白字符，也可能直接是>，這部分可以用一個字符組[\s>]來匹配，之后的內(nèi)容統(tǒng)一用[\s\S]+?匹配，忽略優(yōu)先量詞保證了匹配進(jìn)行到到最近的</script>為止。最終得到的表達(dá)式就是<script[\s>] [\s\S]+?</script>。
對這個表達(dá)式稍加改造，就可以寫出匹配類似tag的表達(dá)式。在解析頁面時，常見的需求是提取表格中各行、各單元（cell）的內(nèi)容。表格的tag是<tag>，行的tag是<tr>，單元的tag是<td>，所以，它們可以分別用下面的表達(dá)式匹配，請注意其中的[\s>]，它兼顧了可能存在的其他屬性（比如<table border="1">），同時排除了可能的錯誤（比如<tablet>）。
匹配table <table[\s>][\s\S]+?</table>
匹配tr <tr[\s>][\s\S]+?</tr>
匹配td <td[\s>][\s\S]+?</td>
在實(shí)際的HTML代碼中，table、tr、td這三個元素經(jīng)常是嵌套的，它們之間存在著包含關(guān)系。但是，僅僅使用正則表達(dá)式匹配，并不能得到“某個table包含哪些tr”、“某個td屬于哪個tr”這種信息。此時需要像例2-16的那樣，用程序整理出來。
例2-16用正則表達(dá)式解析表格
# 這里用到了Python中的三重引號字符串，以便字符串跨越多行，細(xì)節(jié)可參考第14章
htmlSource = """<table>
<tr><td>1-1</td></tr>
<tr><td>2-1</td><td>2-2</td></tr>
</table>"""
for table in re.findall(r"<table[\s>][\s\S]+?</table>", htmlSource):
for tr in re.findall(r"<tr[\s>][\s\S]+?</tr>", table):
for td in re.findall(r"<td[\s>][\s\S]+?</td>", tr):
print td,
#輸出一個換行符，以便顯示不同的行
print ""
<td>1-1</td>
<td>2-1</td> <td>2-2</td>
注：因?yàn)閠ag是不區(qū)分大小寫的，所以如果還希望匹配大寫的情況，則必須使用字符組，table 寫成[tT][aA][bB][lL][eE]，tr寫成[tT][rR]，td寫成[tT][dD]。
這個例子說明，正則表達(dá)式只能進(jìn)行純粹的文本處理，單純依靠它不能整理出層次結(jié)構(gòu)；如果希望解析文本的同時構(gòu)建層次結(jié)構(gòu)信息，則必須將正則表達(dá)式配合程序代碼一起使用。
回過頭想想雙引號字符串的匹配，之前使用的正則表達(dá)式是"[^"]*"，其實(shí)也可以使用忽略優(yōu)先量詞解決".*?"（如果雙引號字符串中包含換行符，則使用"[\s\S]*?"）。兩種辦法相比，哪個更好呢？
一般來說，"[^"]*"更好。首先，[^"]本身能夠匹配換行符，涵蓋了點(diǎn)號.可能無法應(yīng)付的情況，出于習(xí)慣，很多人更愿意使用點(diǎn)號.而不是[\s\S]；其次，匹配優(yōu)先量詞只需要考慮自己限定的元素能否匹配即可，而忽略優(yōu)先量詞必須兼顧它所限定的元素與之后的元素，效率自然大大降低，如果字符串很長，兩者的速度可能有明顯的差異。
而且，有些情況下確實(shí)必須用到匹配優(yōu)先量詞，比如文件名的解析就是如此。UNIX/Linux下的文件名類似這樣/usr/local/bin/python，它包含兩個部分：路徑是/usr/local/bin/；真正的文件名是python。為了在/usr/local/bin/python中解析出兩個部分，使用匹配優(yōu)先量詞是非常方便的。從字符串的起始位置開始，用.*/匹配路徑，根據(jù)之前介紹的知識，它會回溯到最后（最右）的斜線字符/，也就是文件名之前；在字符串的結(jié)尾部分，[^/]*能匹配的就是真正的文件名。前一章介紹過^和$，它們分別表示“定位到字符串的開頭”和“定位到字符串的結(jié)尾”，所以應(yīng)該把^加在匹配路徑的表達(dá)式之前，得到^.*/，而把$加在匹配真正文件名的表達(dá)式之后，得到[^/]*$，代碼見例2-17。
例2-17用正則表達(dá)式拆解Linux/UNIX的路徑
print re.search(r"^.*/", "/usr/local/bin/python").group(0)
/usr/local/bin
print re.search(r"[^/]*$", "/usr/local/bin/python").group(0)
python
Windows下的路徑分隔符是\，比如C:\Program Files\Python 2.7.1\python.exe，所以在正則表達(dá)式中，應(yīng)該把斜線字符/換成反斜線字符\。因?yàn)樵谡齽t表達(dá)式中反斜線字符\是用來轉(zhuǎn)義其他字符的，為了表示反斜線字符本身，必須連寫兩個反斜線，所以兩個表達(dá)式分別改為^.*\\和[^\\]*$，代碼見例2-18。
例2-18用正則表達(dá)式拆解Windows的路徑
#反斜線\必須轉(zhuǎn)義寫成\\
print re.search(r"^.*\\", "C:\\Program Files\\Python 2.7.1\\python.exe").group(0)
C:\Program Files\Python 2.7.1\
print re.search(r"[^\\]*$", "C:\\Program Files\\Python 2.7.1\\python.exe").group(0)
python.exe
2.7 轉(zhuǎn)義
前面講解了匹配優(yōu)先量詞和忽略優(yōu)先量詞，現(xiàn)在介紹量詞的轉(zhuǎn)義。
在正則表達(dá)式中，*、+、?等作為量詞的字符具有特殊意義，但有些情況下只希望表示這些字符本身，此時就必須使用轉(zhuǎn)義，也就是在它們之前添加反斜線\。
對常用量詞所使用的字符+、*、?來說，如果希望表示這三個字符本身，直接添加反斜線，變?yōu)?span id="fyhvzfp" class="bgcolor_105">\+、\*、\?即可。但是在一般形式的量詞{m,n}中，雖然具有特殊含義的字符不止一個，轉(zhuǎn)義時卻只需要給第一個{添加反斜線即可，也就是說，如果希望匹配字符串{m,n}，正則表達(dá)式必須寫成\{m,n}。
另外值得一提的是忽略優(yōu)先量詞的轉(zhuǎn)義，雖然忽略優(yōu)先量詞也包含不只一個字符，但是在轉(zhuǎn)義時卻不像一般形式的量詞那樣，只轉(zhuǎn)義第一個字符即可，而需要將兩個量詞全部轉(zhuǎn)義。舉例來說，如果要匹配字符串*?，正則表達(dá)式就必須寫作\*\?，而不是\*?，因?yàn)楹笳叩囊馑际恰?這個字符可能出現(xiàn)，也可能不出現(xiàn)”。
表2-5列出了常用量詞的轉(zhuǎn)義形式。
表2-5 各種量詞的轉(zhuǎn)義
之前還介紹了點(diǎn)號.，所以還必須講解點(diǎn)號的轉(zhuǎn)義：點(diǎn)號.是一個元字符，它可以匹配除換行符之外的任何字符，所以如果只想匹配點(diǎn)號本身，必須將它轉(zhuǎn)義為\.。
因?yàn)槲崔D(zhuǎn)義的點(diǎn)號可以匹配任何字符，其中也可以包含點(diǎn)號，所以經(jīng)常有人忽略了對點(diǎn)號的轉(zhuǎn)義。如果真的這樣做了，在確實(shí)需要嚴(yán)格匹配點(diǎn)號時就可能出錯，比如匹配小數(shù)（如3.14）、IP地址（如192.168.1.1）、E-mail地址（如someone@somehost.com）。所以，如果要匹配的文本包含點(diǎn)號，一定不要忘記轉(zhuǎn)義正則表達(dá)式中的點(diǎn)號，否則就有可能出現(xiàn)例2-19那樣的錯誤。
例2-19忽略轉(zhuǎn)義點(diǎn)號可能導(dǎo)致錯誤
#錯誤判斷浮點(diǎn)數(shù)
print re.search(r"^\d+.\d+$", "3.14") != None # => True
print re.search(r"^\d+.\d+$", "3a14") != None # => True
#準(zhǔn)確判斷浮點(diǎn)數(shù)
print re.search(r"^\d+\.\d+$", "3.14") != None # => True
print re.search(r"^\d+\.\d+$", "3a14") != None # => False
- 輕輕松松自動化測試
- Machine Learning for Cybersecurity Cookbook
- Java開發(fā)技術(shù)全程指南
- 21天學(xué)通Visual Basic
- 自動生產(chǎn)線的拆裝與調(diào)試
- 21天學(xué)通Visual C++
- JSP從入門到精通
- 影視后期編輯與合成
- Hands-On Data Warehousing with Azure Data Factory
- 所羅門的密碼
- The DevOps 2.1 Toolkit：Docker Swarm
- Photoshop CS4數(shù)碼攝影處理50例
- Hands-On Agile Software Development with JIRA
- 電機(jī)與電力拖動
- 自動化生產(chǎn)線組建與調(diào)試（第2版）：以亞龍YL-335B為例（三菱PLC版本）