## 問題 你想匹配或者搜索特定模式的文本 ## 解決方案 如果你想匹配的是字面字符串，那么你通常只需要調用基本字符串方法就行，比如 `str.find()` , `str.endswith()` , `str.startswith()` 或者類似的方法： >>> text = 'yeah, but no, but yeah, but no, but yeah' >>> # Exact match >>> text == 'yeah' False >>> # Match at start or end >>> text.startswith('yeah') True >>> text.endswith('no') False >>> # Search for the location of the first occurrence >>> text.find('no') 10 >>> 對于復雜的匹配需要使用正則表達式和re模塊。為了解釋正則表達式的基本原理，假設你想匹配數字格式的日期字符串比如”11/27/2012”，你可以這樣做： >>> text1 = '11/27/2012' >>> text2 = 'Nov 27, 2012' >>> >>> import re >>> # Simple matching: \d+ means match one or more digits >>> if re.match(r'\d+/\d+/\d+', text1): ... print('yes') ... else: ... print('no') ... yes >>> if re.match(r'\d+/\d+/\d+', text2): ... print('yes') ... else: ... print('no') ... no >>> 如果你想使用同一個模式去做多次匹配，你應該先將模式字符串預編譯為模式對象。比如： >>> datepat = re.compile(r'\d+/\d+/\d+') >>> if datepat.match(text1): ... print('yes') ... else: ... print('no') ... yes >>> if datepat.match(text2): ... print('yes') ... else: ... print('no') ... no >>> `match()` 總是從字符串開始去匹配，如果你想查找字符串任意部分的模式出現位置，使用 `findall()` 方法去代替。比如： >>> text = 'Today is 11/27/2012. PyCon starts 3/13/2013.' >>> datepat.findall(text) ['11/27/2012', '3/13/2013'] >>> 在定義正則式的時候，通常會利用括號去捕獲分組。比如： >>> datepat = re.compile(r'(\d+)/(\d+)/(\d+)') >>> 捕獲分組可以使得后面的處理更加簡單，因為可以分別將每個組的內容提取出來。比如： >>> m = datepat.match('11/27/2012') >>> m <_sre.SRE_Match object at 0x1005d2750> >>> # Extract the contents of each group >>> m.group(0) '11/27/2012' >>> m.group(1) '11' >>> m.group(2) '27' >>> m.group(3) '2012' >>> m.groups() ('11', '27', '2012') >>> month, day, year = m.groups() >>> >>> # Find all matches (notice splitting into tuples) >>> text 'Today is 11/27/2012. PyCon starts 3/13/2013.' >>> datepat.findall(text) [('11', '27', '2012'), ('3', '13', '2013')] >>> for month, day, year in datepat.findall(text): ... print('{}-{}-{}'.format(year, month, day)) ... 2012-11-27 2013-3-13 >>> `findall()` 方法會搜索文本并以列表形式返回所有的匹配。如果你想以迭代方式返回匹配，可以使用 `finditer()` 方法來代替，比如： >>> for m in datepat.finditer(text): ... print(m.groups()) ... ('11', '27', '2012') ('3', '13', '2013') >>> ## 討論 關于正則表達式理論的教程已經超出了本書的范圍。不過，這一節闡述了使用re模塊進行匹配和搜索文本的最基本方法。核心步驟就是先使用 `re.compile()` 編譯正則表達式字符串，然后使用 `match()` , `findall()` 或者 `finditer()` 等方法。 當寫正則式字符串的時候，相對普遍的做法是使用原始字符串比如 `r'(\d+)/(\d+)/(\d+)'` 。這種字符串將不去解析反斜杠，這在正則表達式中是很有用的。如果不這樣做的話，你必須使用兩個反斜杠，類似 `'(\\d+)/(\\d+)/(\\d+)'` 。 需要注意的是 `match()` 方法僅僅檢查字符串的開始部分。它的匹配結果有可能并不是你期望的那樣。比如： >>> m = datepat.match('11/27/2012abcdef') >>> m <_sre.SRE_Match object at 0x1005d27e8> >>> m.group() '11/27/2012' >>> 如果你想精確匹配，確保你的正則表達式以$結尾，就像這么這樣： >>> datepat = re.compile(r'(\d+)/(\d+)/(\d+)$') >>> datepat.match('11/27/2012abcdef') >>> datepat.match('11/27/2012') <_sre.SRE_Match object at 0x1005d2750> >>> 最后，如果你僅僅是做一次簡單的文本匹配/搜索操作的話，可以略過編譯部分，直接使用re模塊級別的函數。比如： >>> re.findall(r'(\d+)/(\d+)/(\d+)', text) [('11', '27', '2012'), ('3', '13', '2013')] >>> 但是需要注意的是，如果你打算做大量的匹配和搜索操作的話，最好先編譯正則表達式，然后再重復使用它。模塊級別的函數會將最近編譯過的模式緩存起來，因此并不會消耗太多的性能，但是如果使用預編譯模式的話，你將會減少查找和一些額外的處理損耗。