Python 正则表达式里的单行s和多行m模式

发表时间 ·

Python 的 re 模块内置函数几乎都有一个 flags 参数,规定了正则匹配时的各种策略模式,其中有两个模式:单行(re.DOTALL, 或者re.S)和多行(re.MULTILINE, 或者re.M)模式。

TL;DR

太长不看版:

单行模式和多行模式,都增强了对多行文本(即中间包含\n的字符串)的解析能力。
单行模式突破换行符 \n 的阻碍,将匹配视野扩大到整个字符串
多行模式实现换行符 \n 的分隔,将匹配视野缩小到一行之内,并且按行分别匹配。

两种模式都改变了对换行符 \n 的处理策略。

在线测试工具

首先我们使用一款在线工具以得到感性认识。(建议在 PC 端使用)。

复制下面一段多行文字:

空山新雨后,
天气晚来秋。
明月松间照,
清泉石上流。

并粘贴到下方文本框中:

那么在普通匹配模式 ".+" 下,可见匹配到第一行末尾即停止,结果如下:

空山新雨后,

单行匹配模式 ".+", re.DOTALL 下,可见匹配出了包括换行符在内的所有字符,结果如下:

空山新雨后,\n天气晚来秋。\n明月松间照,\n清泉石上流。

在多行匹配模式 "^.+$" re.MULTILINE 下,可见匹配结果本身也是多行,结果如下:

空山新雨后,
天气晚来秋。
明月松间照,
清泉石上流。

普通模式

正则表达式( Python2Python3 )里, 点号(.)能匹配除换行符以外的所有字符。

In the default mode, this matches any character except a newline.

也就是说,用 .*这样的模式 匹配到换行符的前面时,匹配即停止。例如下面这样的字符串:

This is the first line.
This is the second line.
This is the third line.

直接使用点号匹配,遇到换行符(\n)即停止。例如下面图所示,点击查看匹配过程:

执行代码的例子,如下面的执行过程。从匹配结果可以看出来,仅有第一行出现在结果里,而且不包含换行符。

> a = 'This is the first line.\nThis is the second line.\nThis is the third line.'
> print a
This is the first line.
This is the second line.
This is the third line.
> import re
> p = re.match(r'This.*line\.' ,a) 
> p.group(0)
'This is the first line.'
>

单行模式 re.DOTALL

在上面的例子里,即使是默认的贪婪(greedy)模式,仍然在第一行的结尾初停止了匹配。如果想完整匹配出字符串,就需要进入 单行模式Python 文档中这么描述:

If the DOTALL flag has been specified, this matches any character including a newline.

在单行模式下,匹配的行为模式如下图,点击查看匹配过程:

从上面的动图里可以看出,当使用 re.DOTALL 时,点号将同时匹配换行符,实现了跨行匹配。代码的执行过程如下,从下面的记过可以看出,匹配结果里包含了换行符 \n 和 全部的三行。

> q = re.match(r'This.*line\.', a, flags=re.DOTALL)
> q.group(0)
'This is the first line.\nThis is the second line.\nThis is the third line.'

结论:

默认模式下,点号.的匹配动作到换行符即停止
单行模式下,点号.也能匹配换行符,字符串被整体匹配。单行模式改变了点号(.)的匹配策略。

多行模式 re.MULTILINE

有时候我们想找出一篇文章里符合特定条件一共有几行。比如在下面的例子里,我们希望找出以 This 开头,line 结尾的行。

> a = 'This is the first line.\nThis is the second line.\nThis is the third line.'
> print a
This is the first line.
This is the second line.
This is the third line.
> import re
> re.findall(r'^This.*line\.$', a)
[]
>

匹配结果为空,从 上一节 我们知道,点号默认不匹配换行符,我们需要进入单行模式,设置re.DOTALL。

> re.findall(r'^This.*line\.$', a, flags=re.DOTALL)
['This is the first line.\nThis is the second line.\nThis is the third line.']
>

匹配出了整个字符串,但这并不是我们想要的, 因为原字符串的三行都满足匹配条件,应该有三条结果。用问号 ? 切换成非贪婪模式试试:

> re.findall(r'^This.*?line\.$', a, flags=re.DOTALL)
['This is the first line.\nThis is the second line.\nThis is the third line.']
> 

仍然是整个字符串,这是因为正常情况下,行首符^和行尾符$ 仅仅匹配整个字符串的起始和结尾。Python 文档中这么描述:

By default, ‘^’ matches only at the beginning of the string, and ‘$’ only at the end of the string and immediately before the newline (if any) at the end of the string.

这就是引入多行模式的原因。在多行模式下,会把每一行看做单个字符串,用 ^ 和 $ 匹配。点击下图,观看多行模式的匹配过程:

或者说,^除了匹配整个字符串的起始位置,还匹配换行符后面的位置;$ 除了匹配整个字符串的结束位置,还匹配换行符前面的位置。Python 文档中这么描述:

When specified, the pattern character ‘^’ matches at the beginning of the string and at the beginning of each line (immediately following each newline); and the pattern character ‘$’ matches at the end of the string and at the end of each line (immediately preceding each newline).

再回到前面的例子中,使用多行模式得到的结果如下:

> re.findall(r'^This.*line\.$', a, flags=re.MULTILINE)
['This is the first line.', 'This is the second line.', 'This is the third line.']
> 

结论:

多行模式改变了^和 $ 符号的匹配策略,当字符串中间有 换行符 \n 时,将字符串的每行分别匹配

当需要在一个文本文件里跨行匹配时,单行和多行模式尤其有用。

二者不冲突

单行模式和多行模式,从名字上看是互斥的,但是实际上,两者可以共存。


相关文章   欢迎到 留言板 写下你的看法。
  本页面内容采用 署名协议 CC-BY 授权。欢迎转载,请保留原文链接