【Python 每日一技】使用正则表达式匹配文本中的多行字符串

文章目录

• • 1 问题
  • 2. 解决方案
  • 3. 讨论

你希望使用正则表达式匹配文本中的多行字符串。

针对这个问题，很多人第一反应是通过 . 符号匹配任意字符的方式来解决，但很多人忘了在正则表达式中，直接使用符号 . 并不能匹配换行符。例如，假定你希望尝试匹配 C 语言形式的注释：

>>> text1 = ''
>>> text2 = '''
... '''
>>> re.findall(r'/*(.*?)*/', text1)
[' this is a comment ']
>>> re.findall(r'/*(.*?)*/', text2)
[]
>>> comment_pattern = re.compile(r'/*(.*?)*/')
>>> comment_pattern.findall(text1)
[' this is a comment ']
>>> comment_pattern.findall(text2)
[]

对于上述示例，需要说明的两点是：

• 对于 findall() 函数，其返回值是一个列表，列表中每个元素都是第一个参数即正则表达式匹配的结果，且当正则表达式中存在分组时，列表的每个元素只包含分组中的内容，且当有多个分组的时候，列表的每个元素是元组形式给出的分组匹配内容；
• 对于正则表达式 '/*(.*?)*/' ，之所以要在分组中加上 ? ，是为了避免在待匹配文本中存在多个 形式的字符串时，仅匹配出第一个 之间的内容，具体请见【Python 每日一技】使得正则表达式匹配最短的字符串。

为了解决上述问题，你可以稍微修改一下正则表达式的形式，以让其支持对于换行符的匹配：

>>> re.search(r'/*((?:.|n)*?)*/', text2)

>>> re.search(r'/*((?:.|n)*?)*/', text2).group(0)
''
>>> re.search(r'/*((?:.|n)*?)*/', text2).group(1)
' this is an              multiline comment '
>>> re.findall(r'/*((?:.|n)*?)*/', text2)
[' this is an              multiline comment ']
>>> comment_pattern = re.compile(r'/*((?:.|n)*?)*/')
>>> comment_pattern.findall(text2)
[' this is an              multiline comment ']

在上述解决方案中，(?:.|n) 部分表示指定一个非捕捉式分组，即该分组存在的唯一目的只是用匹配，但是该分组并不会被编号后使用。

实际上，函数 re.compile() 还支持一个键值对参数 flags ，在将该参数指定为 re.DOTALL 时就可以让 . 也能匹配回车换行符了。例如：

>>> re.search(r'/*(.*?)*/', text2, flags=re.DOTALL)

>>> re.search(r'/*(.*?)*/', text2, flags=re.DOTALL).group(0)
''
>>> re.search(r'/*(.*?)*/', text2, flags=re.DOTALL).group(1)
' this is an              multiline comment '
>>> re.findall(r'/*(.*?)*/', text2, flags=re.DOTALL)
[' this is an              multiline comment ']
>>> comment_pattern = re.compile(r'/*(.*?)*/', flags=re.DOTALL)
>>> comment_pattern.findall(text2)
[' this is an              multiline comment ']