分析一正则表达式替换例子

今天下班途中,在我的 Pocket 列表中看到前些天丢进来的《Python编程中常用的12种基础知识总》一文中的第一个例子：
正则表达式替换。
目标: 将字符串 line 中的 overview.gif 替换成其他字符串

随便分析了一下，感觉不通顺，虽想回家好好分析下，结果掉一坑里去了。文中例子代码丢失一段，导致我想了半天都没想去为啥就要这样匹配，后来机智的我想到肯定是代码不全，Google 了下找到了。在这里鄙视下那些 Ctrl C,Ctrl V 的，万一一个启动脚本里有个 rm -rf / tmp/xxx 那不完蛋了。

cat 03_subtest.py

#!/usr/bin/python

import re

# line = '<IMG ALIGN="middle" SRC=\'#\'" /span>    # 就是这段坑了我
line = '<IMG ALIGN="middle" SRC="overview.gif" BORDER="0" ALT="">'
# 将正则表达式编译成Pattern对象
pattern = re.compile(r'(?<=SRC=)"([\w+\.]+)"',re.I)

# 使用Pattern匹配文本，获得匹配结果，无法匹配时将返回None 注意: 其中 \1 是上面()组匹配到的数据，可以通过这样的方式直接引用
str1 = pattern.sub(r'"\1****"',line)
print str1

str2 = pattern.sub(r'replace_str_\1',line)
print str2

str3 = pattern.sub(r'"testetstset"',line)
print str3

来分析上面的正则：

(?<=SRC=)"([\w+\.]+)"

拆分成两段来理解：1、 (?<=SRC=)     2、"([\w+\.]+)"

1. (?<=SRC=)
   (?<=xxx) A positive lookbehind －－反向预搜索啥是预搜索？反向应该就是反过来的意思吧？在正则中特殊符号："^"，"$"，"\b"。它们都有一个共同点，那就是：它们本身不匹配任何字符，只是对 "字符串的两头" 或者 "字符之间的缝隙" 附加了一个条件。这个预搜索也是像它们一样是个“附加条件”，不过他们的表示方法更加灵活。(?<=xxx) 所在缝隙(就是要匹配的东西缝隙，这里就是"([\w+\.]+)" 匹配到的内容为分割线)的左侧，必须能够匹配上 xxx 这部分的表达式。因为它只是在此作为这个缝隙上附加的条件，所以它并不影响后边的表达式去真正匹配这个缝隙之后的字符。这就类似 "\b"，本身不匹配任何字符。"\b" 只是将所在缝隙之前、之后的字符取来进行了一下判断，不会影响后边的表达式来真正的匹配。

   这里的意思是要匹配的内容前面（左则）为 SRC= 才算。就好比"^"要匹配的内容必须是第一个位置一个道理。

2. "([\w+\.]+)"
   [\w+\.] 表示 任意一个字母或数字或下划线，也就是 A~Z,a~z,0~9,_,. 中任意一个,
   这里面的+号我觉得是多余的了。[\w+\.]+ 这里加上加号就是匹配至少1个里面的东西。"([\w+\.]+)" 加上（） 表示一个组，然后再加上""就可以匹配出 "middle" "overview.gif" "0" 这三个结果了，怎么得到我们想要的"overview.gif"?

   就要用到前面的 “附加条件了” 附加条件就是 匹配前面有 SRC=

输出结果如下：

javasboy@debianp3  ~/python # python 03_subtest.py
<IMG ALIGN="middle" SRC="overview.gif****" BORDER="0" ALT="">
<IMG ALIGN="middle" SRC=replace_str_overview.gif BORDER="0" ALT="">
<IMG ALIGN="middle" SRC="testetstset" BORDER="0" ALT="">

Tips:

1. 揭开正则表达式的神秘面纱
2. RegExr:
   http://gskinner.com/RegExr/ 提供了一个方便的开发工具，可以很方便的测试正则表达式是否有效。
   1. 表达式单元拆分
   2. 内容实时匹配
   3. 多模式
3. Debuggex:
   http://www.debuggex.com/ 提供更为丰富的正则执行流可视化。

下一篇将会转载一篇《Python正则表达式指南》