Python学习之re.compile与findall

在做项目的过程中，有时候需要再一个几万行的代码里找到某个信号，并且把它拷贝出来用。信号的定义格式是相同的，但是编号不相同，如下图所示。按道理说可以利用vim的查找功能一个个找，然后一个个地手工拷贝。如果电路有修改和迭代，查找+拷贝的方式太费时费力了，所以想到用python来处理这种有规律的、重复性的工作。

re.compile()

用正则表达式可以匹配到我想找出的信号，使用正则表达式匹配之前将re模块导入。

import re

re.compile()函数用于编译正则表达式，生成一个Pattern对象，供其他函数使用。re.compile的语法格式如下：

re.compile(pattren[, flag])

其中pattern为一个字符串形式的正则表达式；flag是可选的，用于设置匹配模式。常见的几种匹配有：

re.compile(r'\d+')            // 用于匹配数字
re.compile(r'[a-z]+')        // 用于小写字母
re.compile(r'[A-Z]+')        // 用于大写字母
……
re.compile(r'a.b')            // 符号“.”用来匹配除了换行符以外的任意字符
re.compile(r'a*b')            // 符号“*”前面的字符出现0次或以上（即以后面的字符为准）
re.compile(r'a.*b')           // 符号“.*”贪婪匹配：以a为开始以b为结束的所有内容
re.compile(r'a.*?b')          // 符号“.*?”非贪婪匹配：只要遇到以a为开始以b为结束就匹配
re.compile(r'a.*?(?=b)')     // 与上一条相同，区别在于：匹配结果不包括b
……
匹配规则不是Python特有的，更多匹配方式可见正则表达式的匹配规则

注意转义字符的匹配

转义字符是指在字母前加上反斜杠来表示的一些不能显示的ASCII字符，最常见换行符\n。文本中很可能出现类似的用转义字符表示的特定字符，举个例子：not important string... N_XI_pix_db0\<1\>\/XI_pix_even\/XI_dvs ...omit these words。
如果要在文本中匹配带有转义字符的字符串N_XI_pix_db0\<1\>\/XI_pix_even\/XI_dvs，反斜杠自身也是待匹配字符，匹配的pattern可以用两种方式表示：
1.每个特殊字符前都加上反斜杠——N_XI_pix_db0\\\<1\\\>\\\/XI_pix_even\\\/XI_dvs；
2.每个特殊字符都用中括号括起来——N_XI_pix_db0[\][<]1[\][>][\][/]XI_pix_even[\][/]XI_dvs。

findall

与re.compile()配合使用发函数或方法有re.match()、re.search()、re.findall()、re.sub()。其区别如下：

str = `not important string... N_XI_pix_db0\<1\>\/XI_pix_even\/XI_dvs ...omit these words`
pattern = re.compile(r'N_XI_pix_db0\\\<1\\\>\\\/XI_pix_even\\\/XI_dvs')re_object = pattern.match(str)     // 从字符串的起始位置匹配，如果起始位置的字符串匹配不成功则返回"None"
re_object = pattern.search(str)        // 匹配整个字符串，并返回第一个匹配成功的项，否则返回"None"
result = re_object.group()         // 返回一个包含所有匹配的子字符串的元组result = pattern.findall(str)     // 找到所有匹配的子项并返回一个列表，如果没有匹配项则返回空列表
result = pattern.sub('replacement', str) // 用replacement替换所有的匹配项

注意：上述match与search方法返回的如下图所示的正则匹配的对象，而不是匹配的字符串！若要返回匹配的内容，还要用group()方法。

我选择了findall，满足匹配的项很多，只需要保留一个，想着用pattern.findall(str)[0]返回首个匹配项。但是，假设一个匹配项都没有，则会返回空列表，也就是不存在首项[0]，因此这样写会报错。

python script

由于我要找的信号有很多个，我采用的方法是先把待匹配的所有信号放在一个字符串列表中，通过循环再逐个访问和匹配。这样做会把文本遍历很多遍，用findall方法会花费很长的时间去匹配。后续发现用search方法也能满足我的需求，因为search返回就是单个匹配项。两种方式的结果完全相同，而且search方法快了很多！

findall script

import resig_list = []
pattern_list = ['str1','str2','str3',...,'strN']with open('/path/netlist','r') as f_in:rcc_file = f_in.read();for i in range(len(rcc_file)):pattern = re.compile(pattern_list[i])sig_org = pattern.findall(rcc_file)if(len(sig_org) == 0):print(pattern_list[i], 'is not found!')else:sig_recover = sig_org[0].replace('\\','')sig_probe = 'special string' + sig_recoversig_list.append(sig_probe)sig_write = '\n'.join(sig_list)with open('/path/probe','w') as f_out:f_out.write(sig_write)print('Singal collection is done.')

replace方法是为了将转义字符的反斜杠去掉，使N_XI_pix_db0\<1\>\/XI_pix_even\/XI_dvs恢复成N_XI_pix_db0<1>/XI_pix_even/XI_dvs
符号+将完成固定字符与找到的匹配项拼接起来，生成信号探测的tcl脚本
append方法在原列表sig_list的末尾位置添加新的匹配项
join方法在原列表中的每个字符串末尾加一个换行符，方便后续按行写入文件
推荐用with open() as f的方式操作文件，确保文件的正确关闭

search script

import resig_list = []
pattern_list = ['str1','str2','str3',...,'strN']with open('/path/netlist','r') as f_in:rcc_file = f_in.read();for i in range(len(rcc_file)):pattern = re.compile(pattern_list[i])sig_org = pattern.search(rcc_file)if sig_org :sig_string = sig_org.group()sig_recover = sig_org[0].replace('\\','')sig_probe = 'special string' + sig_recoversig_list.append(sig_probe)else:print(pattern_list[i], 'is not found!')sig_write = '\n'.join(sig_list)with open('/path/probe','w') as f_out:f_out.write(sig_write)print('Singal collection is done.')

此处判断是否找到对应的信号时，是否可以用以下程序中的if(sig_org == '')？答案是否定的。因为如果某个信号不存在，也就是匹配不成功，返回的是None，而python中的''表示空字符串；下面的程序进入else分支，如果用sig_org.group()方法返回元组内容，程序报错并提示'NoneType' object has no attribute 'group'。
None是一种特殊的常量，其类型为NoneType。

     // wrong codeif (sig_org == ''):print(pattern_list[i], 'is not found!')else:sig_string = sig_org.group()sig_recover = sig_org[0].replace('\\','')sig_probe = 'special string' + sig_recoversig_list.append(sig_probe)

reference

菜鸟教程python link
Python find all详解 link