正则表达式高阶技巧之匹配模式（使用python实现）

介绍

• 我们在正则中所说得匹配模式（match mode），指的是匹配时使用的规则。设置特定的匹配模式，可能会改变对正则表达式的识别，也可能会改变正则表达式中字符的匹配规定
• 常见的匹配模式一共有四种：不区分大小写模式、单行模式、多行模式、注释模式

不区分大小写模式

• 在日常使用中，用户可能关心的只是文本的意义，而不是它具体形式。比如单词the，在句子中写作the，在句子开头写做The，还可能为了表示强调写作THE；可是用户可能不关心大小写，只希望找到所有的the
• 为了实现上述需求，我们可以使用字符组[tT][hH][eE]，这样的写法是没有问题的，但是如果单词较长，写起来就是比较麻烦的。比如：beautiful就要写成[bB][eE][aA][uU][tT][iI][fF][uU][lL]。更重要的是，这样的表达式不够直观，很难明白此表达式要匹配的是beautiful
• 为了解决上述的问题，正则表达式提供了不区分大小写的匹配模式，指定此模式之后，在正则表达式中可以直接写the，就可以匹配the、THE、The、THe等等各种大小写形式的the，提升了直观程度，还大大降低了理解的难度

模式的指定方式

• 在了解此模式的应用实例之前，必须要先了解模式的指定方式。通常是有两种方法来指定匹配模式的：以模式修饰符指定，或者以预定义常量作为特殊参数传入来指定

模式修饰符

• 模式修饰符即模式对应的单个字符，使用时将其填入特定结构(?modifier)（其中modifier为模式修饰符），嵌在正则表达式的开头。比如不区分大小写的模式对应的模式修饰符是i（case Insensitive），对于the来指定此模式，完整的表达式为(?i)the
  如下举例：

import re
re.search(r"(?i)beautiful",'beautiful') is not None
re.search(r"(?i)beautiful",'Beautiful') is not None
re.search(r"(?i)beautiful",'BEAUTIFUL') is not None

预定义好的常量作为特殊参数传入来指定

• 我们可以使用预定义好的常量作为参数，传入正则函数
• 在python中不区分大小写的预定义常量是Re类的静态成员re.IGNORECASE（一般来说。它是某个类的静态成员）

如下举例：

import re
re.search(r"beautiful",'beautiful',re.I) is not None
re.search(r"beautiful",'Beautiful',re.IGNORECASE) is not None

• 上述的两种指定方式，模式描述符较为通用，因为在常用的语言中写法基本相同，而预定义常量在不同语言中写法不同，不过上述的两种形式的效果是相同的：无论是以那种方式，只要指定不区分大小写模式，正则表达式在匹配时，就不会区分同一个字母的大小写形式，即(?i)the与(?i)THE是完全等价的

应用

• 在之前匹配HTML最终tag的例子中，比如匹配超链接tag的正则表达式、匹配图片tag及网页标题tag的正则表达式，虽然在HTML规范推荐tag名都使用小写字母，但类似的<IMG>的tag还是可能出现的，为了同时兼容大写字母，可以使用不区分大小写模式，如下表格：

单行模式

• 元字符.几乎可以匹配任何字符，唯有换行符\n是例外。但是，有是否确实需要匹配“任何字符”，比如我们在处理爬取到的HTML源码时，经常需要跨越多行取数据，如下：

<script type="text/javascript">
...code...
...code...
</script>

• 正则文档里一般都会说明“.不能匹配换行符”，不过部分人并不阅读与深究文档，所以认为.点号能匹配任何字符，当然也包括换行符，所以直接想法就是<script\s.*?</script>
• 因为这段代码出现了换行符，所以.*?的匹配最多只能进行到第一行末尾，可以使用[\s\S]之类的字符组匹配“任意字符”，所以正则表达式<script\s[\s\S]*?</script>能解决问题
• 不过对于大部分人来说，点号更加自然，也更加直观简洁，所以正则表达式提供单行模式，在这个模式下，所有的文本似乎只在一行里，换行符是这一行中的“普通字符”，所以可以使用.来进行匹配
• 重点在于是将单行模式中的文本看成一行
• 单行模式对应的模式修饰符是s（Single line），所以如果要使用单行模式，只需要在表达式的开头用(?s)指定，因此上面的表达式可以修改为(?s)<script\s.*?</script>

预定义常量如下：

多行模式

• “多行模式”听起来是与上述的“单行模式”对应的，但其实这两个模式是没有任何联系的
• 单行模式影响的是.点号的匹配规则：在默认的模式下，点号.可以匹配除换行符之外的任何字符，在单行模式下点号可以匹配包括换行符在内的任何字符
• 多行模式影响的是^与$的匹配规则：在默认的模式下^与$匹配的是整个字符串的起始位置与结束位置，但是在多行模式下，它们也能匹配字符串内部某一行文本的起始位置和结束位置
• 如下举例，需要找到下面文本中所有以数字字符开头的行:

1 one
No ycx
Yes wy
2 two

• 为解决此问题，需要定位到每一行的起始位置，尝试匹配一个数字字符，如果成功，则匹配之后的整行文本。多行模式的模式修饰符是m（Multiline），所以在表达式中的开头用(?m)指定多行模式，这样^就可以定位到字符串内部的每一行的起始位置；匹配数字字符的表达式为\d，因为没有指定单行模式。.点号是不能匹配换行符的，.*可以匹配数字字符之后的整行文本，所以表达式就是(?m)\d.*

如下测试：

import re

multiStr = """
1 one
No ycx
Yes wy
2 two
"""

multiRegex = r"(?m)\d.*"
for line in re.findall(multiRegex, multiStr):
    print(line)

• 还可以利用多行模式下的$，给每一行末尾添加英文句号.，如下：

import re
multiStr = """1 one
No ycx
Yes wy
2 two"""
print(re.sub(r'(?m)$','.',multiStr))

• 预定义常量如下：

注释模式

• 在某些情况下，用到的正则表达式可能是非常复杂的，不但难以编写和阅读，也难以维护，如果正则表达式也可以像编程语言源代码那样，可以添加注释，阅读与维护就容易多了
• 为解决上述问题，多数语言是支持使用(?#comment)的记法添加注释，comment是注释内容。所以，在我们的表达式^\d.*?$就可以写成这样：^(?#start of the line)\d(?#digit).*?(?#rest of the line)
• **.NET、Python、Ruby、PHP都是支持这种写法的，Java和JavScript则不支持，不过，还有一种注释的写法是各种语言都支持的，就是使用注释模式，此时，正则表达式对应的字符串可以跨越很多行，如下举例：

import re
multiStr = """1 one
No ycx
Yes wy
2 two"""

LineBeginRegex = r"""
(?mx) #enable multiline and extended mode
^    # start of the line
\d   #digit
.*   # est of the line
$    #end of the line
"""
re.findall(LineBeginRegex, multiStr)

• 在注释模式下，正则表达式内部的空白字符都会被忽略（一般来说，只要是ASCII编码中的空白字符，Unicode编码中的空白字符清空不定），注释则以#comment的形式添加在正则表达式内部，每一条注释从#开始，到行末结束。在许多的文档，都是用这种模式来解释较为复杂的表达式，并且会使用缩进表示层级结构，这样就更加方便阅读和维护。
• 如下举例匹配日期的正则表达式((?x)(\d{4})-(\d{2})-(\d{2}))，在注释模式下的展开：

dateRegex=r"""
(?x)        # enable multiline ans extended mode
(           # start of the regex
    (\d{4}) # year
    -       # dash
    (\d{2}) # month
    -       # dash
    (\d{2}) # day
)           # end of the regex
"""
re.search(dateRegex,"2022-01-02").group()

• 注释模式对应的修饰符是x（extended mode，扩展模式，但是更常见的写法是free-spacing mode，宽松格式模式）
• 预定义常量如下：

• 在上述例子，我们同时制定了两种模式：多行模式与注释模式。注释模式的x与多行模式的m，合在一起写作(?mx)。如果需要同时使用多种匹配模式，只要在(?modifier)中将模式修饰符排列起来即可
• 如果希望同时使用多行模式与注释模式，使用预定义常量该怎么做？答案是，使用位运算符|，通常来说对应的预定义常量都是int类型，所以多个值进行按位与的结果，并不会彼此干扰，在python中是这样的re.M | re.X，如下：

import re

multiStr = """1 one
No ycx
Yes wy
2 two"""

LineBeginRegex = r"""
^    # start of the line
\d   #digit
.*   # est of the line
$    #end of the line
"""
re.findall(LineBeginRegex, multiStr, re.M | re.X)

其它模式

python的还包含有其他模式(这里仅列举两种，更多的请查阅文档)：

• re.U或re.UNICODE：在此模式下。\d \w \s等字符组简记法的匹配规则会发生改变，比如\w能匹配Unicode中的“单词字符”，包括中文字符，\d也能匹配1、2之类的全角数字字符，对应的模式修饰符是u
• re.A或re.UNICODE：因为在python 3以上的版本中，正则表达式默认采用Unicode匹配规则，如果希望\d \w等字符组简记法恢复到ASCII匹配规则，可以使用此模式，对应的模式修饰符是a

修饰符的作用范围

• 常见的模式修饰符为(?modifier)的形式，它表示从现在开始使用此模式，通常的做法是将它写在正则表达式的开头，表示整个正则表达式都指定使用此模式；如果它出现正则表达式中，则表示此模式从这里开始生效，但是在python中情况不同，只要模式修饰符(?modifier)出现，无论出现在什么位置，都对整个正则表达式生效；如下：

re.search(r"t(?i)he","THE").group()

• 如果模式修饰符出现在某个括号内，如((?modifier).....)那它的作用范围只限于括号内部，此模式也可记为(?modifier:.....)

如下举例：

• 模式修饰符对正则表达式的操作性更强，因为预定义常量指定的匹配模式是对整个正则表达式生效的