2.4 字符串匹配和搜索

问题

你想匹配或者搜索特定模式的文本

解决方案

如果你想匹配的是字面字符串，那么你通常只需要调用基本字符串方法就行，比如 str.find() , str.endswith() , str.startswith() 或者类似的方法：



In [1]:

    
text = "yeah, but no, but yeah, but no, but yeah"
# Exact match
text == "yeah"









    Out[1]:





False



In [2]:

    
# Match at start or end
text.startswith("yeah")









    Out[2]:





True



In [3]:

    
text.endswith("yeah")









    Out[3]:





True



In [4]:

    
text.endswith("no")









    Out[4]:





False



In [5]:

    
text.find("no")









    Out[5]:





10

对于复杂的匹配需要使用正则表达式和 re 模块。为了解释正则表达式的基本原理，假设你想匹配数字格式的日期字符串比如 11/27/2012 ，你可以这样做：



In [6]:

    
text1 = "11/27/2012"
text2 = "Nov 27, 2012"



In [7]:

    
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



In [8]:

    
if re.match(r"\d+/\d+/\d+", text2):
    print("yes")
else:
    print("no")

no

如果你想使用同一个模式去做多次匹配，你应该先将模式字符串预编译为模式对象。比如：



In [9]:

    
datepat = re.compile(r"\d+/\d+/\d+")
if datepat.match(text1):
    print("yes")
else:
    print("no")

yes



In [10]:

    
if datepat.match(text2):
    print("yes")
else:
    print("no")

no

match() 总是从字符串开始去匹配，如果你想查找字符串任意部分的模式出现位置，使用 findall() 方法去代替。比如：



In [11]:

    
text = "Today is 11/27/2012, PyCon starts 3/13/2013."
datepat.findall(text)









    Out[11]:





['11/27/2012', '3/13/2013']

在定义正则式的时候，通常会利用括号去捕获分组。比如：



In [12]:

    
datepat = re.compile(r"(\d+)/(\d+)/(\d+)")

捕获分组可以使得后面的处理更加简单，因为可以分别将每个组的内容提取出来。比如：



In [13]:

    
m = datepat.match("11/27/2012")
m









    Out[13]:





<_sre.SRE_Match object; span=(0, 10), match='11/27/2012'>



In [14]:

    
# Extract the contents of each group
m.group(0)









    Out[14]:





'11/27/2012'



In [15]:

    
m.group(1)









    Out[15]:





'11'



In [16]:

    
m.group(2)









    Out[16]:





'27'



In [17]:

    
m.group(3)









    Out[17]:





'2012'



In [18]:

    
m.groups()









    Out[18]:





('11', '27', '2012')



In [19]:

    
month, day, year = m.groups()
print(month, day, year)



In [20]:

    
# Find all matches (notice splitting into tuples)
text









    Out[20]:





'Today is 11/27/2012, PyCon starts 3/13/2013.'



In [21]:

    
datepat.findall(text)









    Out[21]:





[('11', '27', '2012'), ('3', '13', '2013')]



In [22]:

    
for month, day, year in datepat.findall(text):
    print("{}-{}-{}".format(year, month, day))

findall() 方法会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() 方法来代替，比如：



In [23]:

    
for m in datepat.finditer(text):
    print(m.groups())









    



('11', '27', '2012')
('3', '13', '2013')

讨论

关于正则表达式理论的教程已经超出了本书的范围。不过，这一节阐述了使用 re 模块进行匹配和搜索文本的最基本方法。核心步骤就是先使用 re.compile() 编译正则表达式字符串，然后使用 match() , findall() 或者 finditer() 等方法。

当写正则式字符串的时候，相对普遍的做法是使用原始字符串比如 r'(\d+)/(\d+)/(\d+)' 。这种字符串将不去解析反斜杠，这在正则表达式中是很有用的。如果不这样做的话，你必须使用两个反斜杠，类似 '(\\d+)/(\\d+)/(\\d+)' 。

需要注意的是 match() 方法仅仅检查字符串的开始部分。它的匹配结果有可能并不是你期望的那样。比如：



In [24]:

    
m = datepat.match("11/27/2012abcdef")
m









    Out[24]:





<_sre.SRE_Match object; span=(0, 10), match='11/27/2012'>



In [25]:

    
m.group()









    Out[25]:





'11/27/2012'

如果你想精确匹配，确保你的正则表达式以 $ 结尾，就像这么这样：



In [26]:

    
datepat = re.compile(r"(\d+)/(\d+)/(\d+)$")
datepat.match("11/27/2012abcdef")



In [27]:

    
datepat.match("11/27/2012")









    Out[27]:





<_sre.SRE_Match object; span=(0, 10), match='11/27/2012'>

最后，如果你仅仅是做一次简单的文本匹配 / 搜索操作的话，可以略过编译部分，直接使用 re 模块级别的函数。比如：



In [28]:

    
re.findall(r"(\d+)/(\d+)/(\d+)", text)









    Out[28]:





[('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话，最好先编译正则表达式，然后再重复使用它。模块级别的函数会将最近编译过的模式缓存起来，因此并不会消耗太多的性能，但是如果使用预编译模式的话，你将会减少查找和一些额外的处理损耗。