Python - 正则表达式学习笔记

摘要: 学习Python有段时间了，就想着用Python写一个爬虫程序，其中遇到了正则匹配的问题，发现不能像以前做JAVA那样网上去找正则就搞定，现在需要深入、系统地学习正则表达式。

2015-4-27 11:09:35

目前还在学习正则的基础，今天遇到了贪婪匹配（*）和非贪婪匹配（?）的问题，刚开始真是完全无法理解啊。

在网上去找了资料，有这样一个例子（这个例子经过自己的实践，发现有误）：

-------------------》 引文 Begin

源字符串：aa<div>test1</div>bb<div>test2</div>cc

正则表达式一：<div>.*</div>
匹配结果一：<div>test1</div>bb<div>test2</div>

正则表达式二：<div>.*?</div>
匹配结果二：<div>test1</div>（这里指的是一次匹配结果，所以没包括<div>test2</div>）

作者的解释是这样的：

正则表达式一采用的是贪婪模式，在匹配到第一个“</div>”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串，匹配到第二个“</div>”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为
“<div>test1</div>bb<div>test2</div>”。当然，实际的匹配过程并不是这样的，后面的匹配原理会详细介绍。
仅从应用角度分析，可以这样认为，贪婪模式，就是在整个表达式匹配成功的前提下，尽可能多的匹配，也就是所谓的“贪婪”，通俗点讲，就是看到想要的，有多少就捡多少，除非再也没有想要的了。
正则表达式二采用的是非贪婪模式，在匹配到第一个“</div>”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“<div>test1</div>”。
仅从应用角度分析，可以这样认为，非贪婪模式，就是在整个表达式匹配成功的前提下，尽可能少的匹配，也就是所谓的“非贪婪”，通俗点讲，就是找到一个想要的捡起来就行了，至于还有没有没捡的就不管了。

-------------------》 引文 End

以上是原作者的讲解，但是我通过Python实践了下，结果和作者有出入，当然，我不肯定是否和语言有关，对于表达式一，我没有异议，对于表达式二的结果，我试验的代码如下：

import re

data = "aa<div>test1</div>bb<div>test2</div>cc"

zz = re.compile(r'<div>.*?</div>')

matches = zz.findall(data)

print(matches)

运行结果：

['<div>test1</div>', '<div>test2</div>']

就我自己实践的结果来理解，我认为非贪婪模式下，当匹配到第一个</div>的时候，当次匹配结束，但是源字符串还有未读的内容，再从第一个</div>的后一个字符重新开始从<div>开始匹配，知道找到下一个</div>，依次类推，直到读完整个源字符串。

当然，博主作为初学者，还是不太确定是否是这样，也许和findall(..)有关系。

刚才还看到一个描述：边界匹配（不消耗待匹配字符串中的字符）

这个消耗还挺有意思，相信应该很重要。

开始学习 re模块，先来一张图：

Python中正则表达式匹配流程



Python通过re模块提供对正则表达式的支持。使用re的一般步骤是先将正则表达式的字符串形式编译为Pattern实例，然后使用Pattern实例处理文本并获得匹配结果（一个Match实例），最后使用Match实例获得信息，进行其他的操作。