命令行与文本处理 / 系统课时
正则匹配的基本过程
正则匹配的基本过程
学习目标
- 理解正则引擎从左到右扫描文本的基本方式。
- 理解起始位置、匹配成功和继续搜索的关系。
- 认识常见的最左优先行为。
- 能通过匹配位置分析执行结果。
问题背景或应用场景
一个模式可能在文本中出现多次。例如:
text
文本:ID: 100, backup ID: 200
模式:\d+文本中有 100 和 200 两个数字。re.search() 只返回第一个结果,re.findall() 会返回全部结果。要理解这种差异,需要先建立正则引擎的基础查找模型。
核心原理
Python 的 re 模块使用回溯型正则引擎。对于常见查找,可以按以下步骤理解:
- 从目标文本左侧选择一个起始位置。
- 在当前位置按照模式逐个尝试字符。
- 匹配失败时,移动到下一个可能的起始位置。
- 匹配成功时,产生匹配对象。
- 是否继续向后查找,由调用的 API 决定。
以文本 abc123 和模式数字序列为例:
text
位置 0:a 不符合数字规则
位置 1:b 不符合数字规则
位置 2:c 不符合数字规则
位置 3:1 符合数字规则,并继续匹配 2、3
结果:123查找通常优先返回最靠左开始的结果。re.findall() 和 re.finditer() 默认收集非重叠匹配。
基础用法
获取第一个匹配:
python
match = re.search(pattern, text)获取所有匹配文本:
python
matches = re.findall(pattern, text)获取所有匹配对象和位置:
python
for match in re.finditer(pattern, text):
print(match.group(), match.span())当需要分析每个结果的内容、起点和终点时,re.finditer() 更合适。
完整可运行示例
python
import re
text = "ID: 100, backup ID: 200"
pattern = r"\d+"
first_match = re.search(pattern, text)
if first_match:
print("第一个匹配")
print(f"内容:{first_match.group()}")
print(f"范围:{first_match.span()}")
print("所有匹配")
for index, match in enumerate(re.finditer(pattern, text), start=1):
print(
f"第 {index} 个:内容={match.group()},"
f"起始={match.start()},结束={match.end()}"
)运行命令:
bash
python regex_process.py预期输出
text
第一个匹配
内容:100
范围:(4, 7)
所有匹配
第 1 个:内容=100,起始=4,结束=7
第 2 个:内容=200,起始=20,结束=23Tips
- 分析结果时不仅要看匹配文本,还要看 span()。
- re.search() 返回一个结果,不代表文本中只有一个匹配。
- 需要遍历结果并获取位置时优先使用 re.finditer()。
- 结束位置指向匹配内容之后的第一个位置。
- 高级匹配行为可能因正则引擎不同而存在差异。
常见错误
1. 认为 re.search() 会返回所有结果
re.search() 返回第一个匹配对象或 None。需要全部结果时应使用 re.findall() 或 re.finditer()。
2. 忽略索引从 0 开始
Python 字符串位置从 0 开始计算,end() 返回的索引不属于匹配内容。
3. 把连续数字拆成多个结果
模式中的加号表示一个或多个连续数字,因此 100 是一个完整匹配,而不是三个单独结果。
4. 混淆 findall() 和 finditer()
findall() 适合直接取得文本列表,finditer() 适合读取内容、位置和分组信息。
本课练习
给定文本:
text
CPU 35%, memory 72%, disk 81%使用模式:
text
\d+完成以下任务:
- 使用 re.search() 输出第一个数字。
- 使用 re.findall() 输出全部数字。
- 使用 re.finditer() 输出每个数字的位置范围。
- 观察百分号是否包含在结果中,并解释原因。
按自己的节奏,确认真正理解。