正则表达式高阶技巧之环视(使用python实现)
正则之环视
- 介绍
- 用法
- 环视的角度理解
- 环视结构
- 表达式
- python测试
- 环视分类
- 应用实例
- 给数字字符串添加千分位
- 去除中英文混排文本中的中文空白字符
介绍
正则单词边界匹配(\b)就是类似于这样的:一边必须是单词字符,另一边不能是单词字符。从环视的角度考虑,它是这样进行判断的:在某个位置向左/右看,必须出现或不能出现某类字符
用法
- 比如:我们用
<[^/>][^>]*>
来匹配HTML中的open tag,它保证了<之后不会出现/,这样就排除了<\img>
这类的close tag,但是它可以匹配到self-closing tag,比如<br/>
- 如果将上述的表达式换成
<[^/>][^>]*[^/]>
,又会出现新的问题,就是在 < 与 > 之间的[^/>][^>]*[^/]
,能匹配的文本至少包含2个字符。这样是无法匹配<u>
这类的标签 - 对于上面的问题我们可以使用
<[^/>]([^>]*[^/])?>
这个表达式来解决无法匹配<u>
这类的标签问题
环视的角度理解
- 对于上述匹配HTML中的open tag标签这个问题,从环视角度考虑:在开始位置先匹配
<
,同时要求在这个<
之后的字符不能是/
;然后匹配中间的文本,除非在标签的属性中出现(也就是"" ‘’ 引号字符串中),否则不能出现>
,且长度必须大于1(<>
不是合法的tag);最后匹配>
,同时要求这个>
之前不能是/
- 使用环视的描述是更加准确,且逻辑也更加清晰,可以使用三个子表达式来分别匹配这三个部分。单独来分析,开头的<、中间内容,结尾的>都不难匹配,但必须解决的问题是:在匹配开头时的 < 字符时还必须向后(向右)瞅瞅,确认下一个字符不能是 / ,同时又不能真正的匹配到这个字符,因为 < 与 > 中间的字符是由单独的子表达式进行匹配的;同时,结尾的 > 匹配亦是如此
环视结构
- 针对上述这种要求,正则表达式专门提供了环视(look-around)用来“停在原地,四处张望”,环视就跟上述的单词边界是类似的,**在它的旁边的字符必须满足某种条件,而且本身不能匹配任何字符串
表达式
- 比如正则表达式中的
<(?!/)
,其中的(?!/)
是一个环视结构,(?!..)
是这个结构的标识,/
才是真正的表达式,整个结构标识的意思是“在当前位置的之后(右侧),不允许出现/
能匹配的字符”。 - 这样看起来是与表达式
<[^\]
类似,其实两个是大不相同的:如果<[^\]
能匹配成功的话,正则表达式真正匹配到的文本是 < 与 后面不是 \ 的这个字符,是由两个字符构成,而<(?!/)
完成的匹配只是 < 这个字符,而不包含 < 后面的那个字符,这样就能准确的表示 “匹配< ,同时<之后不能是/” - 再来看表达式
(?<!/)>
,其中(?<!/)
也是一个环视结构,(?<!..)
是这个结构的标识,/
才是真正的表达式,整个结构的意思是“在当前位置之前(左侧),不允许出现 / 能匹配的字符串”,(与上述的(?!/)
类似,只是多出现 < ,更加形象的指向左侧),这样就可以准确表示“匹配 > ,同时 > 之前不能是 / ” - 至于我们所说的 < 与 > 之间的文本,可用
('[^']*'|"[^"]*"|[^'">])+
- 将上述的三部分结合起来,得到完整正则表达式
<(?!/)('[^']*'|"[^"]*"|[^'">])+(?<!/)>
,它可以准确的匹配open tag,而且不会错误匹配self-close tag,如下图所示:
python测试
- 使用环视结构,准确匹配open tag
import reopenTagRegex = r"\A<(?!/)('[^']*'|\"[^\"]*\"|[^'\">])+(?<!/)>\Z"re.search(openTagRegex, "<input name=\"txt\" value=\">\">").group()
re.search(openTagRegex, "<input name=\"txt\" value='>'>").group()
re.search(openTagRegex, "<u>").group()
re.search(openTagRegex, "<br/>") is not None
re.search(openTagRegex, "<img src=\"url\"/>") is not None
- 结果如下:
环视分类
- 在上述表达式中出现了两种环视:
(?!...)与(?<!...)
,他们分别是“否定顺序环视”与“否定逆序环视”,否定的意思是:“如果正则表达式匹配成功,则在当前位置匹配失败”,而顺序与逆序则表示 正则表达式需要匹配的文本所在的位置 - 环视一共分为四种:肯定顺序环视(positive-lookahead)、否定顺序环视(negative-lookahead)、肯定逆序环视(positive-lookbehid)、否定逆序环视(negative-lookbehind),如下表格所示:
结构名字 | 记法 | 判断方向 | 结构表达式匹配成功后的返回值 |
---|---|---|---|
肯定顺序环视 | (?=…) | 向右 | True |
否定顺序环视 | (?!..) | 向右 | False |
肯定逆序环视 | (?<=…) | 向左 | True |
否定逆序环视 | (?<!..) | 向左 | False |
- 上述四个结构名字容易混淆,不妨这样理解:在当前位置,如果是朝右判断,则是顺序环视(lookahead),如果是朝左判断,则是逆序环视(lookbehind);如果要求子表达式能表达的字符串必须出现,则为肯定环视(positive),如果要求子表达式能匹配的字符串不能出现。则为否定环视(negative)
- 如下图说明:对于字符串12345,以
\d{3}
为表达式的四种环视能匹配的位置分别是:右侧必须出现三个数字字符,右侧不能出现三个数字字符,左侧必须出现三个数字字符,左侧不能出现三个数字字符
应用实例
给数字字符串添加千分位
- 环视的最大特点就是“原地执行”,之前所说的
<(?!/)
匹配的其实只有一个字符<
,(?<!/)>
匹配的也是一个字符,虽然他们都需要测试/
的匹配。有时确实需要用到”原地“判断,因为要寻找的确实只是一个位置,而不需要真正匹配任何字符,比如整理数字字符串的格式等等 - 如下举例:英文中的数字习惯用逗号(千分位)分以便阅读,比如12345应该写作12,345。如果使用正则表达式就是:“把逗号添加到右侧的数字长度是3的倍数的位置”,似乎看起来只要使用一个简单的肯定顺序环视就足够了。
- 第一次尝试:
用正则表达式找到这样的位置(?=(\d{3}+))
,将它替换成逗号(这里的意思其实是塞进去一个逗号),如下展示:
import re
re.sub(r"(?=(\d{3})+)", ',', "123456")
结果却不是我们所想象的那样。因为“右侧数字字符串”严格来说应该是“当前位置右侧,所有的数字字符构成的字符串”;但是(?=(\d{3})+)
并不能表示这种意思,比如:第一个字符 1 之前的位置,右侧的数字字符串长度为5,但其中存在长度为3的字符串,所以这个位置也是可以匹配的。同样的2、3之前的位置也是如此
解决这个问题必须配合否定顺序环视,让(?=(\d{3})+)
能匹配右侧的整个数字字符串,而不能只匹配其中的一个子串,也就是说,要一直匹配到“右侧不能再有数字字符的位置”为止
- 第二次尝试
将正则表达式改写成(?=(\d{3})+)(?!\d)
,如下展示:
re.sub(r"(?=(\d{3})+(?!\d))", ',', "12345")
从上述的结构来看似乎是没有问题的,但是如果当字符串的长度刚好为3的倍数时,还是会有小问题,如下:
re.sub(r"(?=(\d{3})+(?!\d))", ',', "123456")
字符串的开头多出了一个错误的逗号,因为这个位置的右侧的数字字符串的长度为6。
- 第三次尝试
更严格的来描述加入逗号的位置:“右侧的数字字符串长度为3的倍数,且左侧也必须是数字字符”。所以还需要加上肯定逆序环视,将正则表达式修改为(?<=\d)(?=(\d{3})+)(?!\d)
,如下:
re.sub(r"(?<=\d)(?=(\d{3})+(?!\d))", ',', "123456")
仔细观察上述例子可以发现,表达式中出现了三个环视结构,还使用了嵌套与并列两种组合,下面在举一个例子
去除中英文混排文本中的中文空白字符
我们在日常中会碰到中英文混排的文本,英文文本需要使用空白字符来区分单词,中文文本中则很少出现空白字符,但是进行了某些操作(转贴或格式转换)时,可能会产生一些多余的空白字符:
"但行 好事,莫 问前程 Fortune favors the bold, 有多余 的 空白 字符"
正则表达式中删除空白字符是很容易的,直接使用\s+
即可。但是如果直接删除\s+
能匹配的文本,就会变成如下字符串
import respaceWorld = "但行 好事,莫 问前程 Fortune favors the bold, 有多余 的 空白 字符"
spaceRegex = r"\s+"
re.sub(spaceRegex,'',spaceWorld)
所以在这里,真正要找的其实是这样的\s+
:“从它向左看,不能出现英文字母;从它向右看,也不能出现英文字母”,所有需要在\s+
的两端分别添加否定逆序环视与否定顺序环视,得到(?<![a-zA-Z])\s+(?![a-zA-Z])
,如下展示:
re.sub(r"(?<![a-zA-Z])\s+(?![a-zA-Z])", '', spaceWorld)
在这里你或许会想,这个表达式是否能修改,比如左侧的否定环视(?<![a-zA-Z])
能否修改为肯定环视,指定出现一个非英文字符(?<=[^a-zA-Z])
,右侧的否定顺序环视也改为肯定顺序环视(?=[^a-zA-Z])
?
乍一看是没有啥问题的,但是这个问题其实涉及的是肯定环视与否定环视的一大根本不同:肯定环视要判断成功,字符串中必须有环视结构中表达式能匹配得字符,而否定环视要判断成功,却是有两种情况:字符串中出现了不能由环视结构中表达式匹配的字符;或者字符串中不再有任何字符,也就是说,这个位置是字符串的起始位置或者结束位置
- 如下展示两种环视的区别:
# 否定环视
re.sub(r"(?<![a-zA-Z])\s+(?![a-zA-Z])", '', spaceWorld)
# 肯定环视
re.sub(r"(?<=[^a-zA-Z])\s+(?=[^a-zA-Z])", '', spaceWorld)
如果使用肯定环视,则无法去掉字符串首尾的空白。因为在字符串的开头,\s+
虽然能匹配空白字符,但其左侧并没有任何字符,所以(?<=[^a-zA-Z])
无法匹配成功;字符串末尾(?=[^-zA-Z])
也是这样的
正则表达式高阶技巧之环视(使用python实现)相关推荐
- 正则表达式高阶技巧之环视的组合(使用python实现)
环视的组合 介绍 环视的组合 环视中包含环视 并列多个环视 注意: 环视作为多选分支排列在多选结构中 断言与反向引用之间的关系 介绍 在我们日常使用的编程语言都是支持环视的,但是语言不同,支持程度也就 ...
- python get函数 i_Python高阶技巧,你 GET了吗?
原标题:Python高阶技巧,你 GET了吗? Python 是一种美丽的语言,它简单易用却非常强大.但你真的会用 Python 的所有功能吗? 下面是 Python 的 5 种高级特征,以及它们的用 ...
- golang 分析调试高阶技巧
layout: post title: "golang 调试高阶技巧" date: 2020-6-03 1:44:09 +0800 categories: golang GC 垃圾 ...
- Word论文必备的高阶技巧
之前写论文,大部分绘图之类都是用visio,ppt,ps.后来发现word绘图能力也足够达到论文的需求,不仅如此,还能有很多很有用的操作.于是.总结了一下.供以后使用.另有一篇word有关的简单排版技 ...
- 【强化学习高阶技巧】Experience Replay经验回报
强化学习相关的高阶技巧Experience Replay经验回报的介绍.此处笔记根据B站课程,王树森老师的强化学习记录而来.10.经验回放 Experience Replay (价值学习高级技巧 1_ ...
- python高阶函数map_简单了解python高阶函数map/reduce
高阶函数map/reduce Python内建了map()和reduce()函数. 我们先看map.map()函数接收两个参数,一个是函数,一个是Iterable,map将传入的函数依次作用到序列的每 ...
- pip高阶玩法,让python模块安装飞起来
在学习或者工作中,我们经常在搭建环境时需要下载安装一些库文件,但是pip默认下载使用的源是国外的,因此下载速度会很慢,所以在下载的时候我们可以将源地址换为国内的源,会大大提升下载速度. pip.ini ...
- Python 内置模块之 re 库,一文搞定正则表达式初阶用法,滚雪球学 Python 第 13 篇
橡皮擦,一个逗趣的互联网高级网虫.新的系列,让我们一起 Be More Pythonic. 滚雪球学 Python 第二轮 已完成的文章清单 十三.Python 内置模块之 re 库,一文搞定正则表达 ...
- 正则表达式高阶(四)
前言 接上篇,本来匹配 xml 文件主体的时候我使用的是 (?<body><Body>[\s\S]*</Body>) 或者 (?<body><Bo ...
最新文章
- java数据输入的步骤_Java学习日志1.4 Scanner 数据输入的三种方法
- gridview格式化日期字段
- linux awk 获取最后一列 获取倒数第二列
- 拟17.56亿控股江南集成 海陆重工加码光伏产业链
- Windows server 2003/2008更改远程桌面端口脚本
- jQuery学习笔记(四)——表单选择
- sklearn自学指南(part45)--新颖性和离群值检测概述
- 《ArcGis地图数据资料》(DataMap)ArcGis 9.0
- es创建索引设置字段不分词_java整合es指定字段不分词搜索
- 使用方法_防爆配电箱使用方法及使用条件
- 使用__slots__限定实例的成员列表
- 在Windows平台使用SSH连接Linux服务器
- Ubuntu系统安装VMware Tools的简单方法
- mysql innodb数据库修复_mysql innodb异常修复
- windows下Elasticsearch安装、ElasticSearch-head插件安装使用
- Word2010无法输入中文
- ibm tivoli_调优IBM DB2以获得最佳的IBM Tivoli Security Operations Manager性能
- 【opencv4.3.0教程】04之基础结构及其常用功能介绍1
- ati自定义分辨率_真三国无双7游戏自定义分辨率的修改方法
- 大话2点卡稳定服务器,大话西游2新区点卡比例增涨太快,这究竟是什么原因