Python3 如何优雅地使用正则表达式（详解三）

模块级别的函数

使用正则表达式也并不是必定要建立模式对象，而后调用它的匹配方法。由于，re 模块同时还提供了一些全局函数，例如 match()，search()，findall()，sub() 等等。这些函数的第一个参数是正则表达式字符串，其余参数跟模式对象同名的方法采用同样的参数；返回值也同样，一样是返回 None 或者匹配对象。

1. >>> print(re.match(r'From\s+', 'From_FishC.com'))
2. None
3. >>> re.match(r'From\s+', 'From FishC.com')
4. <_sre.SRE_Match object; span=(0, 5), match='From '>

复制代码

其实，这些函数只是帮你自动建立一个模式对象，并调用相关的函数（上一篇的内容，还记得吗？）。它们还将编译好的模式对象存放在缓存中，以便未来能够快速地直接调用。


那咱们究竟是应该直接使用这些模块级别的函数呢，仍是先编译一个模式对象，再调用模式对象的方法呢？这其实取决于正则表达式的使用频率，若是说咱们这个程序只是偶尔使用到正则表达式，那么全局函数是比较方便的；若是咱们的程序是大量的使用正则表达式（例如在一个循环中使用），那么建议你使用后一种方法，由于预编译的话能够节省一些函数调用。但若是是在循环外部，因为得益于内部缓存机制，二者效率相差无几。


编译标志

编译标志让你能够修改正则表达式的工做方式。在 re 模块下，编译标志均有两个名字：完整名和简写，例如 IGNORECASE 简写是 I（若是你是 Perl 的粉丝，那么你有福了，由于这些简写跟 Perl 是同样的，例如 re.VERBOSE 的简写是 re.X）。另外，多个标志还能够同时使用（经过“|”），如：re.I | re.M 就是同时设置 I 和 M 标志。

下边列举一些支持的编译标志：

标志	含义
ASCII, A	使得转义符号如 \w，\b，\s 和 \d 只能匹配 ASCII 字符
DOTALL, S	使得 . 匹配任何符号，包括换行符
IGNORECASE, I	匹配的时候不区分大小写
LOCALE, L	支持当前的语言（区域）设置
MULTILINE, M	多行匹配，影响 ^ 和 $
VERBOSE, X (for 'extended')	启用详细的正则表达式

下面咱们来详细讲解一下它们的含义：

A
ASCII
使得 \w，\W，\b，\B，\s 和 \S 只匹配 ASCII 字符，而不匹配完整的 Unicode 字符。这个标志仅对 Unicode 模式有意义，并忽略字节模式。

S
DOTALL
使得 . 能够匹配任何字符，包括换行符。若是不使用这个标志，. 将匹配除了换行符的全部字符。

I
IGNORECASE
字符类和文本字符串在匹配的时候不区分大小写。举个例子，正则表达式 [A-Z] 也将会匹配对应的小写字母，像 FishC 能够匹配 FishC，fishc 或 FISHC 等。若是你不设置 LOCALE，则不会考虑语言（区域）设置这方面的大小写问题。

L
LOCALE
使得 \w，\W，\b 和 \B 依赖当前的语言（区域）环境，而不是 Unicode 数据库。

区域设置是 C 语言的一个功能，主要做用是消除不一样语言之间的差别。例如你正在处理的是法文文本，你想使用 \w+ 来匹配单词，可是 \w 只是匹配 [A-Za-z] 中的单词，并不会匹配 'é' 或 'ç'。若是你的系统正确的设置了法语区域环境，那么 C 语言的函数就会告诉程序 'é' 或 'ç' 也应该被认为是一个字符。当编译正则表达式的时候设置了 LOCALE 的标志，\w+ 就能够识别法文了，但速度多少会受到影响。

M
MULTILINE
（^ 和 $ 咱们尚未提到，别着急，后边咱们有细讲...）

一般 ^ 只匹配字符串的开头，而 $ 则匹配字符串的结尾。当这个标志被设置的时候，^ 不只匹配字符串的开头，还匹配每一行的行首；& 不只匹配字符串的结尾，还匹配每一行的行尾。

X
VERBOSE
这个标志使你的正则表达式能够写得更好看和更有条理，由于使用了这个标志，空格会被忽略（除了出如今字符类中和使用反斜杠转义的空格）；这个标志同时容许你在正则表达式字符串中使用注释，# 符号后边的内容是注释，不会递交给匹配引擎（除了出如今字符类中和使用反斜杠转义的 #）。

下边是使用 re.VERBOSE 的例子，你们看下正则表达式的可读性是否是提升了很多：

1. charref = re.compile(r"""
2. &[#]                # 开始数字引用
3. (
4.      0[0-7]+         # 八进制格式
5.    | [0-9]+          # 十进制格式
6.    | x[0-9a-fA-F]+   # 十六进制格式
7. )
8. ;                   # 结尾分号
9. """, re.VERBOSE)

复制代码

若是没有设置 VERBOSE 标志，那么一样的正则表达式会写成：

1. charref = re.compile("&#(0[0-7]+|[0-9]+|x[0-9a-fA-F]+);")

复制代码

哪一个可读性更加？相信你们内心有底了。