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次

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

内幕交易炒股避损7万被罚60万... 2026年11月12日,中国证监会北京监管局发布了一份针对有研硅(688432.SH)普通员工刘冰的...
普京:难怪您会选这里作为APE... 为期两天的亚太经合组织工商领导人峰会在深圳举行。俄罗斯总统普京在18日的峰会上发表致辞。普京表示,深...
猪价重回9元关口 养殖仍面临亏... 11月17日早上,28个重点监测地区瘦肉型标猪出栏均价为9.12元/公斤,比前一天上涨了一毛钱。尽管...
温泉直播拍顾客还拉黑质疑者 隐... 近日,有网友发帖称,上海汤连得温泉的直播间镜头长期对准洗浴区通往三楼休息区的楼梯通道。这里是顾客上下...
湖北老虎墩墓地出土漆立人凤形勺... 11月18日上午,国家文物局召开“考古中国”重大项目重要进展工作会,发布四项考古最新进展。其中,湖北...
小米回应“雷军深圳发言紧张” ... 在深圳举办的2026年APEC工商领导人峰会上,雷军分享了他对AI现状的看法。他认为技术变化迅速,但...
为何都说“APEC需要中国” ... 2026年APEC工商领导人峰会在深圳举行,吸引了21个经济体的两千多位工商界代表。峰会首日议程紧凑...
黄金会跌回400元一克吗?专家... 黄金会跌回400元一克吗?专家预测不乐观!黄金价格在2024年大幅上涨后,许多人关心2025年的走势...
东风61列装释放战略信号引发岛... 东风-61洲际导弹近日正式列装火箭军,这一消息引发了台湾岛内媒体的广泛关注。据央视网《海峡两岸》节目...
也门首都萨那传出巨大爆炸声 多... 据总台报道员消息,当地时间17日,也门首都萨那传出巨大爆炸声。另据也门胡塞武装消息,沙特阿拉伯主导的...
潮汕牛肉丸圈粉无数中外媒体记者... 潮汕牛肉丸圈粉无数中外媒体记者。11月13日,在APEC会议周新闻中心,浓郁的岭南烟火气在镜头与键盘...
哈啰单车新车型被吐槽“单车刺客... 近日,有网友在北京一路口扫到一辆蓝色新款哈啰单车,页面显示骑行30分钟收费15元,价格远高于普通共享...
女子蹲金价1年不到3万拿下32... “低价加工黄金,只要30元!”近日,在浙江湖州长兴的乡间小路上,这声吆喝吸引了村民刘大妈的注意。远低...
女子腿被压车轮下旁边女子竟指挥... 11月16日(发布),一段网友发布的视频引发热议。视频中,一名女子腿部被压在车轮下,趴在地上痛苦不已...
油价或再下调 今日价格 新一轮... 油价或再下调 今日价格 新一轮调价窗口将启。11月首调油价大跌后,新一轮油价调整有望继续下降。调整窗...
医生建议最近穿袜子睡觉:入睡快... 最近降温,每天晚上钻进被窝就像钻进“冰窖”——躺了半天双脚还是凉的。很多人觉得忍忍就好了,或等睡着就...
陆毅女儿宣布出道,“爸爸去哪儿... 继黄磊女儿10月时尚活动完成“内娱首秀”、郭涛儿子11月入选电影频道2026“星辰大海”青年演员优选...
14岁男孩带内耗妈妈运动治好内... 近日,山东菏泽。一段孩子陪妈妈运动,并喊着:“内耗的妈妈养不出明媚的孩子”的视频火了。记者联系上视频...
新娘强忍泪水与兄弟姐妹吃“分家... 广东汕尾。按照当地习俗,婚礼上新娘与兄弟姐妹吃“分家饭”,新娘强忍泪水,弟弟崩溃大哭,妹妹不敢直视姐...
消防员被困电梯名场面 网友:主... 近日,成都消防开展工作室意外被困电梯于是求救,赶来救援的同行忍不住现场“无情嘲笑”。网友:主打一个自...