Python正则表达式模式

在 Python 程序中，模式字符串使用如下特殊的语法来表示一个正则表达式：

• 字母和数字表示它们自身，一个正则表达式模式中的字母和数字匹配同样的字符串；
• 当大多数字母和数字前加一个反斜杠时，它们会拥有不同的含义；
• 标点符号只有被转义时才匹配自身，否则它们表示特殊的含义；
• 反斜杠本身需要使用反斜杠转义；
• 因为正则表达式通常都包含反斜杠，所以最好使用原始字符串来表示它们。模式元素（如r'\t'，等价于'\\t'）匹配相应的特殊字符。

表 1 列出了正则表达式模式语法中的特殊元素。如果使用模式的同时提供了可选的标志参数，则某些模式元素的含义会发生改变。
 

表 2 列出了在 Python 程序中使用常用正则表达式的实例。
 

下面的实例文件 cao.py 演示了使用正则表达式统计指定文件中函数和变量的过程。Python 语法规定，函数定义必须以“def”开头，为了降低实例的难度，在此假设 Python 函数的编写规范是在关键字“def”后跟一个空格，然后是函数名和参数。没有考虑使用多个空格的情况。

在Python程序中，因为变量一般不需要事先声明，可以直接赋值，所以要想统计文件中的变量信息，需要先处理变量直接赋值的情况，然后通过匹配单词后接“=”的情况查找变量名。为了简化起见，仅考虑比较规范整洁的写法，即规定变量名与“=”之间有一个空格。

另外，添加了一种在 for 循环语句中直接使用的变量类型，在实例中特别处理了 for 循环的情况。在这里，实例并没有处理变量名重复的情况。

import re #导入模块re
import sys #导入模块 sys
def TongjiFunc(s): #定义函数TongjiFunc()统计函数
    r = re.compile( r'''   #调用函数compile()
        (?<=def\s)  #设置前面必须有函数标志 def，并且紧跟一个空格
        \w+   #匹配函数名
        \(.*?\) #匹配参数 、
        (?=:) #后面紧跟一个冒号“:”
        ''',re.X | re.U) #设置编译选项，忽略模式中的注释
    return r.findall(s)

def TongjiVar(s): #定义函数TongjiVar()统计变量
    vars = [] #定义存储变量的列表
    r = re.compile(r'''
        \b #匹配单词
        \w+ #匹配变量名
        (?=\s=) #处理特殊情况—— 变量赋值
        ''',re.X | re.U)    #设置编译选项，忽略模式中的注释
    vars.extend(r.findall(s))
    r = re.compile( r''' 
        (?<=for\s)  #处理for语句中的变量
        \w+   #匹配变量名
        \s  #匹配空格
        (?=in)   #匹配in关键字
        ''',re.X | re.U)    #设置编译选项，忽略模式中的注释
    vars.extend(r.findall(s))
    return vars
if len(sys.argv) == 1: #判断是否输入了命令，如果没有输入，必须输入要处理的文件
    sour = input('亲，请输入文件路径') #提示输入要处理文件的路径
else:  #如果输入了命令
    sour = sys.argv[1] #获取命令行参数
file = open(sour,encoding="utf-8") #打开文件
s = file.readlines() #以行读取文件的内容
file.close() #关闭文件
print('********************************')
print('文件',sour,'中存在的函数有：')
print('********************************')
i = 0   #i表示函数所在的行号
for line in s: #循环遍历文件的内容，匹配里面的函数，输出函数所在的行号，输出函数的原型
    i = i + 1
    function = TongjiFunc(line) #调用统计函数的函数
    if len(function) == 1: #如果行数是1
        print('Line: ',i,'\t',function[0])
print('********************************')
print('文件',sour,'存在的变量有：')
print('********************************')
i = 0 #i表示变量所在的行号
for line in s: #循环遍历文件的各行，匹配里面的变量，输出变量所在的行号，输出变量名
    i = i + 1
    var = TongjiVar(line) #调用统计变量的函数
    if len(var) == 1:
        print('Line: ',i,'\t',var[0])

在上述实例代码中，首先定义了一个能够获取文件中函数名的函数 TongjiFunc(s)，然后定义了一个能够获取变量名的函数 TongjiVar(s)，最后分别调用它们执行查找和获取操作。执行文件 cao.py 后的效果如图 1 所示。

图 1：执行文件 cao.py 后的效果

下面的实例 gaoji1.py 演示了如何创建一个生成数据集的脚本。

from random import randrange, choice 
from string import ascii_lowercase as lc 
from sys import maxsize 
from time import ctime
    ①tlds = ( 'com', 'edu', 'net', 'org', 'gov' )
    for i in range(randrange(5, 11)):
        dtint = randrange(maxsize) #选择日期
        dtstr = ctime(dtint) #日期字符串
     ② llen = randrange(4, 7) #登录名比较短
        login = ''.join(choice(lc) for j in range(llen))
        dlen = randrange(llen, 13) #域比较长
        dom = ''.join(choice(lc)  for j in range(dlen))
        print('%s::%s@%s.%s::%d-%d-%d' % (dtstr, login,dom, choice(tlds), dtint, llen, dlen))

 上述代码是一个生成数据集的脚本，能够简单地将生成的字符串集显示到标准输出中，该输出很容易重定向到测试文件。上述脚本能够生成拥有 3 个字段的字符串，由一对冒号:或者一对双冒号::分隔。其中第一个字段是随机（32 位）整数，该整数将被转换为一个日期；第 2 个字段是一个随机生成的电子邮件地址；第3个字段是一个由单横线-分隔的整数集。

其中 tlds 是由一组高级域名格式组合而成的，当需要随机生成电子邮件地址时，可以从中随机选出一个。每当执行文件 gendata.py，就会生成 for 语句之前的输出（该脚本对于所有需要随机整数的场景都使用函数 random.randrange()）。对于每一行，选取范围(0～231−1) 中所有可能的随机整数，然后使用函数 time.ctime() 将该整数转换为日期。

在 Python 程序中，系统时间和大多数基于 POSIX 的计算机一样，两者都使用从“epoch”到今天的秒数，其中 epoch 是指 1970 年 1 月 1 日格林尼治时间的午夜。如果选择一个 32 位整数，那么该整数将表示从epoch到最大可能时间（即epoch后的232s）之间的某个时刻。

①～② 的功能是构造登录名长度是 4～7 个字符的邮件地址，这是通过使用 randrange(4，8) 实现的。为了将它们放在一起，需要随机选择 4～7 个小写字母，将所有字母逐个连接成一个字符串。函数 random.choice() 的功能就是接受一个序列，然后返回该序列中的一个随机元素。在上述代码中，string.ascii_lowercase 是字母表里拥有 26 个小写字母的序列集合。

注意：不能将限定符与定位点一起使用。

在 Python 程序中，因为在换行符或者字边界的前面或后面不能有一个以上空的位置，所以不允许诸如^*之类的表达式。如果要匹配一行文本开始处的字符，请在正则表达式的开始使用^字符。不要将^的这种用法与中括号表达式内的用法混淆。如果要匹配一行文本结束处的字符，请在正则表达式的结束处使用$字符。