begin began begun bigins begining
google gooogle goooogle goooooogle
coloured color coloring colouring colored
never ever verb however everest
520 52000 5200000 520000000 520000000000
error wonderer achroiocythaemia achroiocythemia
The white dog wears a black hat.
Handel, Händel, Haendel
It's very very big.
\n", "Keep it simple, simple, simple!
\n", "```\n", "\n", "在以下的示例中，有时直接设定了 str 的值，而不是使用以上整个文本文件 —— 因为读者在阅读的时候，最好能直接看到被搜索的字符串。另外，如果使用整个文件，所得到的 Match 太多，也确实影响阅读。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 优先级" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "毕竟，你已经不是 “啥都不懂” 的人了。你已经知道一个事实：编程语言无非是用来运算的。\n", "\n", "所谓的运算，就有操作符（Operators）和操作元（Operands）—— 而操作符肯定是有优先级的，不然的话，那么多操作元和操作符放在一起，究竟先操作哪个呢？\n", "\n", "Regex 也一样，它本身就是个迷你语言（Mini Language）。在 Regex 中，操作符肯定也有优先级。它的操作元有个专门的名称，**原子**（Atom）。\n", "\n", "先大致看看它的操作符优先级，你就会对它有相当不错的了解：\n", "\n", "| 排列 | 原子与操作符优先级 |（从高到低）|\n", "|---|-----------------------------------|------------------------|\n", "| 1 | 转义符号 (Escaping Symbol) | `\\` |\n", "| 2 | 分组、捕获 (Grouping or Capturing) | `(...)` `(?:...)` `(?=...)` `(?!...)` `(?<=...)` `(?a|b|c |\n", "| 6 | 原子 (Atoms) | `a` `[^abc]` `\\t` `\\r` `\\n` `\\d` `\\D` `\\s` `\\S` `\\w` `\\W` `.` |\n", "\n", "当然，你若是在之前，没有自学过、理解过 Python（或者任何其它编程语言）表达式中的操作符优先级，那么一上来就看上面的表格不仅对你没有帮助，只能让你更迷惑。\n", "\n", "—— 这就是理解能力逐步积累逐步加强的过程。" ] }, { "cell_type": "markdown", "metadata": { "toc-hr-collapsed": false }, "source": [ "## 原子" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "在 Regex 的 Pattern 中，操作元，即，被运算的 “值”，被称为**原子**（Atom）。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 本义字符" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "最基本的原子，就是本义字符，它们都是单个字符。\n", "\n", "本义字符包括从 `a` 到 `z`，`A` 到 `Z`，`0` 到 `9`，还有 `_` —— 它们所代表的就是它们的字面值。\n", "\n", "即，相当于，`string.ascii_letters` 和 `string.digits` 以及 `_`。" ] }, { "cell_type": "code", "execution_count": 50, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'" ] }, "execution_count": 50, "metadata": {}, "output_type": "execute_result" }, { "data": { "text/plain": [ "'0123456789'" ] }, "execution_count": 50, "metadata": {}, "output_type": "execute_result" } ], "source": [ "from IPython.core.interactiveshell import InteractiveShell\n", "InteractiveShell.ast_node_interactivity = \"all\"\n", "\n", "import string\n", "string.ascii_letters\n", "string.digits" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "以下字符在 Regex 中都有特殊含义：\n", "\n", "> `\\` `+` `*` `.` `?` `-` `^` `$` `|` `(` `)` `[` `]` `{` `}` `<` `>` \n", "\n", "当你在写 Regex 的时候，如果你需要搜索的字符不是本义字符，而是以上这些特殊字符时，*建议*都直接加上转义符号 `\\` 来表示，比如，你想搜索 `'`，那你就写 `\\'`，或者你想搜索 `#` 那你就写 `\\#`（事实上，`#` 并不是 Regex 的特殊符号，所以，它之前的转义符号可有可无）—— 这对初学者来说可能是最安全的策略。\n", "\n", "跟过往一样，所有的细节都很重要，它们就是需要花时间逐步熟悉到牢记。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 集合原子" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "集合原子还是原子。\n", "\n", "标示集合原子，使用方括号 `[]`。`[abc]` 的意思是说，“`a` or `b` or `c`”，即，`abc` 中的任意一个字符。\n", "\n", "比如，[`beg[iau]n`](https://regexper.com#beg[iau]n) 能够代表 `begin`、`began`，以及 `begun`。" ] }, { "cell_type": "code", "execution_count": 25, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "['begin', 'began', 'begun', 'begin']" ] }, "execution_count": 25, "metadata": {}, "output_type": "execute_result" } ], "source": [ "import re\n", "\n", "str = 'begin began begun bigins begining'\n", "pttn = r'beg[iau]n'\n", "re.findall(pttn, str)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "在方括号中，我们可以使用两个操作符：`-`（区间）和 `^`（非）。\n", "\n", "* `[a-z]` 表示从小写字母 `a` 到小写字母 `z` 中的任意一个字符。\n", "* `[^abc]` 表示 `abc` 以外的其它任意字符，即，非 `[abc]`。\n", "\n", "注意，一个集合原子中，`^` 符号只能用一次，只能紧跟在 `[` 之后。否则不起作用。" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 类别原子" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "类别原子，是指那些能够代表 “一类字符” 的原子，它们都得使用转义符号再加上另外一个符号表达，包括：\n", "\n", "`\\d` 任意数字；等价于 `[0-9]`\n", "\n", "`\\D` 任意非数字；等价于 `[^0-9]`\n", "\n", "`\\w` 任意本义字符；等价于 `[a-zA-Z0-9_]`\n", "\n", "`\\W` 任意非本义字符；等价于 `[^a-zA-Z0-9_]`\n", "\n", "`\\s` 任意空白；相当于 `[ \\f\\n\\r\\t\\v]`（注意，方括号内第一个字符是空格符号）\n", "\n", "`\\S` 任意非空白；相当于 `[^ \\f\\n\\r\\t\\v]`（注意，紧随 `^` 之后的是一个空格符号）\n", "\n", "`.` 除 `\\r` `\\n` 之外的任意字符；相当于 `[^\\r\\n]`\n", "\n", "类别原子挺好记忆的，如果你知道各个字母是哪个词的首字母的话：\n", "\n", "> * `d` 是 digits\n", "> * `w` 是 word characters\n", "> * `s` 是 spaces\n", "\n", "另外，在空白的集合 `[ \\f\\n\\r\\t\\v]` 中：`\\f` 是分页符；`\\n` `\\r` 是换行符；`\\t` 是制表符；`\\v` 是纵向制表符（很少用到）。各种关于空白的转义符也同样挺好记忆的，如果你知道各个字母是那个词的首字母的话：\n", "\n", "> * `f` 是 flip\n", "> * `n` 是 new line\n", "> * `r` 是 return\n", "> * `t` 是 tab\n", "> * `v` 是 vertical tab" ] }, { "cell_type": "code", "execution_count": 8, "metadata": {}, "outputs": [ { "data": { "text/plain": [ "['542-', '270-']" ] }, "execution_count": 8, "metadata": {}, "output_type": "execute_result" } ], "source": [ "import re\n", "\n", "str = '