正则表达式高阶技巧之环视(使用python实现)
创始人
2024-05-30 18:57:30
0

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
  • 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:
    在这里插入图片描述

python测试

  • 使用环视结构,准确匹配open tag
import reopenTagRegex = r"\A<(?!/)('[^']*'|\"[^\"]*\"|[^'\">])+(?\Z"re.search(openTagRegex, "\">").group()
re.search(openTagRegex, "'>").group()
re.search(openTagRegex, "").group()
re.search(openTagRegex, "
") is not None re.search(openTagRegex, "") is not None
  • 结果如下:在这里插入图片描述

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
    在这里插入图片描述

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")

在这里插入图片描述
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")

在这里插入图片描述
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")

在这里插入图片描述
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")

在这里插入图片描述
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)

在这里插入图片描述
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(?,如下展示:

re.sub(r"(?

在这里插入图片描述
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(?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"(?

在这里插入图片描述
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

相关内容

热门资讯

122.(leaflet篇)l... 听老人家说:多看美女会长寿 地图之家总目录(订阅之前建议先查看该博客) 文章末尾处提供保证可运行...
育碧GDC2018程序化大世界... 1.传统手动绘制森林的问题 采用手动绘制的方法的话,每次迭代地形都要手动再绘制森林。这...
育碧GDC2018程序化大世界... 1.传统手动绘制森林的问题 采用手动绘制的方法的话,每次迭代地形都要手动再绘制森林。这...
Vue使用pdf-lib为文件... 之前也写过两篇预览pdf的,但是没有加水印,这是链接:Vu...
PyQt5数据库开发1 4.1... 文章目录 前言 步骤/方法 1 使用windows身份登录 2 启用混合登录模式 3 允许远程连接服...
Android studio ... 解决 Android studio 出现“The emulator process for AVD ...
Linux基础命令大全(上) ♥️作者:小刘在C站 ♥️个人主页:小刘主页 ♥️每天分享云计算网络运维...
再谈解决“因为文件包含病毒或潜... 前面出了一篇博文专门来解决“因为文件包含病毒或潜在的垃圾软件”的问题,其中第二种方法有...
南京邮电大学通达学院2023c... 题目展示 一.问题描述 实验题目1 定义一个学生类,其中包括如下内容: (1)私有数据成员 ①年龄 ...
PageObject 六大原则 PageObject六大原则: 1.封装服务的方法 2.不要暴露页面的细节 3.通过r...
【Linux网络编程】01:S... Socket多进程 OVERVIEWSocket多进程1.Server2.Client3.bug&...
数据结构刷题(二十五):122... 1.122. 买卖股票的最佳时机 II思路:贪心。把利润分解为每天为单位的维度,然后收...
浏览器事件循环 事件循环 浏览器的进程模型 何为进程? 程序运行需要有它自己专属的内存空间࿰...
8个免费图片/照片压缩工具帮您... 继续查看一些最好的图像压缩工具,以提升用户体验和存储空间以及网站使用支持。 无数图像压...
计算机二级Python备考(2... 目录  一、选择题 1.在Python语言中: 2.知识点 二、基本操作题 1. j...
端电压 相电压 线电压 记得刚接触矢量控制的时候,拿到板子,就赶紧去测各种波形,结...
如何使用Python检测和识别... 车牌检测与识别技术用途广泛,可以用于道路系统、无票停车场、车辆门禁等。这项技术结合了计...
带环链表详解 目录 一、什么是环形链表 二、判断是否为环形链表 2.1 具体题目 2.2 具体思路 2.3 思路的...
【C语言进阶:刨根究底字符串函... 本节重点内容: 深入理解strcpy函数的使用学会strcpy函数的模拟实现⚡strc...
Django web开发(一)... 文章目录前端开发1.快速开发网站2.标签2.1 编码2.2 title2.3 标题2.4 div和s...