match vs findall vs finditer

背景需求

希望从自己的Crifan的电子书的使用说明的README.md中提取相关book的信息，比如url，name，title等。

re.search处理单行，返回匹配对象Match Object

对于普通的，单行字符串：

* [科学上网](https://book.crifan.com/books/scientific_network_summary/website)

一般用re.search代码去查找：

foundBook = re.search("https?://book\.crifan\.com/books/(?P<bookName>\w+)/website", singleLineMdStr)
print("foundBook=%s" % foundBook)

代码解析：

  • https? = https加上问号?
    • 表示：http后面，可能有s，也可能没有s
    • 用于匹配：http://xxx和https://xxx的链接
  • (?P<bookName>\w+)
    • 典型的named group=命名的组的写法
      • 语法：(?P<yourGroupName>match_pattern)
        • 此处
          • yourGroupName = bookName
            • 用于：若匹配到，后续可通过foundBook.group("bookName")提取这部分的值
          • match_pattern = \w+
            • 表示：至少1个（1个或更多个）的大小写字母或下划线
            • 用于匹配：此处的scientific_network_summary

得到的是一个Match Object

foundBook=<re.Match object; span=(9, 73), match='https://book.crifan.com/books/scientific_network_>

后来典型写法就是提取出所需的部分，比如

if foundBook:
  bookName = foundBook.group("bookName")
  print("bookName=%s" % bookName)

得到book的name：

bookName=scientific_network_summary

re.findall处理多行，返回整个匹配字符串或group部分的字符串

对于多行字符串：

* 推荐工具
  * [科学上网](https://book.crifan.com/books/scientific_network_summary/website)
  * 编辑器和IDE
    * [总结](https://book.crifan.com/books/editor_ide_summary/website/)
    * 好用工具
      * [VSCode](http://book.crifan.com/books/best_editor_vscode/website)

返回单条全部内容

如果只是想要获取所有的book的url，则可以用re.findall，且不要加组group：

allBookUrlList = re.findall("https?://book\.crifan\.com/books/\w+/website", multipleLineDdStr)
print("allBookUrlList=%s" % allBookUrlList)

输出：

allBookUrlList=['https://book.crifan.com/books/scientific_network_summary/website', 'https://book.crifan.com/books/editor_ide_summary/website', 'http://book.crifan.com/books/best_editor_vscode/website']

返回单条中的部分内容=组的内容

如果只想要获取，每条匹配的内容中的其中一部分，即其中某个或某几个group组的内容，则加上group：

allBookNameList = re.findall("https?://book\.crifan\.com/books/(?P<bookName>\w+)/website", multipleLineDdStr, re.S)
print("allBookNameList=%s" % allBookNameList)

输出：

# allBookNameList=['scientific_network_summary', 'editor_ide_summary', 'best_editor_vscode']

re.findall的两种用法对比

  • re.findall的两种用法对比
    • 规则："https?://book\.crifan\.com/books/\w+/website"
      • 不带group组
        • 返回：单条匹配的所有内容，即whole single match string
          • 举例：
            • 'https://book.crifan.com/books/scientific_network_summary/website'
    • 规则：https?://book\.crifan\.com/books/(?P<bookName>\w+)/website
      • 带group组
        • 返回：单条匹配到的所有内容中的其中一部分，即group组的部分，matched group string
          • 举例：
            • 'scientific_network_summary'

re.finditer处理多行，返回多个(re.search所返回的)匹配对象

而对于re.finditer，可以视为 = re.findall + re.search

即：就像re.findall一样，返回多个值，但是每个值，不是re.findall直接返回（匹配到的）字符串，而是(re.search所返回的)匹配的对象Match Object

下面用具体例子来解释：

re.finditer内部就像re.findall

和之前一样，想要返回所有的book的url，则可以写成：

allBookUrlMatchObjIterator = re.finditer("https?://book\.crifan\.com/books/\w+/website", multipleLineDdStr)
print("allBookUrlMatchObjIterator=%s" % allBookUrlMatchObjIterator)

此处注意返回的是iterator：

# allBookUrlMatchObjIterator=<callable_iterator object at 0x11063f160>

可以将其转换为list：

allBookUrlMatchObjList = list(allBookUrlMatchObjIterator)
print("allBookUrlMatchObjList=%s" % allBookUrlMatchObjList)

得到了Match Object的list:

# allBookUrlMatchObjList=[<re.Match object; span=(19, 83), match='https://book.crifan.com/books/scientific_network_>, <re.Match object; span=(108, 164), match='https://book.crifan.com/books/editor_ide_summary/>, <re.Match object; span=(195, 250), match='http://book.crifan.com/books/best_editor_vscode/w>]

接着就可以对list去枚举处理了：

for curIdx, eachMatchObj in enumerate(allBookUrlMatchObjList):
  singleMatchWholeStr = eachMatchObj.group(0)
  print("[%d] singleMatchWholeStr=%s" % (curIdx, singleMatchWholeStr))

从每个匹配的对象获取所需要的完整的url值：

# [0] singleMatchWholeStr=https://book.crifan.com/books/scientific_network_summary/website
# [1] singleMatchWholeStr=https://book.crifan.com/books/editor_ide_summary/website
# [2] singleMatchWholeStr=http://book.crifan.com/books/best_editor_vscode/website

re.finditer内部就像re.search

而如果想要一次性的匹配得到多个匹配对象Match Object，且每个都可以提取对应的group组的值，则可以给规则中加上group组：

allBookNameMatchObjIterator = re.finditer("https?://book\.crifan\.com/books/(?P<bookName>\w+)/website", multipleLineDdStr)
print("allBookNameMatchObjIterator=%s" % allBookNameMatchObjIterator)

同理先是得到iterator：

# allBookNameMatchObjIterator=<callable_iterator object at 0x10e9a9fd0>

再转换为list：

allBookNameMatchObjList = list(allBookNameMatchObjIterator)
print("allBookNameMatchObjList=%s" % allBookNameMatchObjList)

即多个匹配对象：

# allBookNameMatchObjList=[<re.Match object; span=(19, 83), match='https://book.crifan.com/books/scientific_network_>, <re.Match object; span=(108, 164), match='https://book.crifan.com/books/editor_ide_summary/>, <re.Match object; span=(195, 250), match='http://book.crifan.com/books/best_editor_vscode/w>]

然后继续针对每个匹配对象去处理：

for curIdx, eachMatchObj in enumerate(allBookNameMatchObjList):
  singleMatchWholeStr = eachMatchObj.group(0)
  singleMatchBookName = eachMatchObj.group("bookName")
  print("[%d] singleMatchWholeStr=%s, singleMatchBookName=%s" % (curIdx, singleMatchWholeStr, singleMatchBookName))

即可，既能获取到 单个匹配的完整字符串，又能获取到 每个匹配的全部字符串中特定的组的内容了：

# [0] singleMatchWholeStr=https://book.crifan.com/books/scientific_network_summary/website, singleMatchBookName=scientific_network_summary
# [1] singleMatchWholeStr=https://book.crifan.com/books/editor_ide_summary/website, singleMatchBookName=editor_ide_summary
# [2] singleMatchWholeStr=http://book.crifan.com/books/best_editor_vscode/website, singleMatchBookName=best_editor_vscode

附录：

完整代码详见：

reSearchFindallFinditer.py

results matching ""

    No results matching ""