python - Python 中的原始字符串和正则表达式

Question

我对以下代码中的原始字符串感到困惑:

import re

text2 = 'Today is 11/27/2012. PyCon starts 3/13/2013.'
text2_re = re.sub(r'(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text2)
print (text2_re) #output: Today is 2012-11-27. PyCon starts 2013-3-13.

print (r'(\d+)/(\d+)/(\d+)') #output: (\d+)/(\d+)/(\d+)

据我了解原始字符串，没有 r，\ 被视为转义字符；使用 r 时，反斜杠 \ 被视为本身(反斜杠)。

但是，我在上面的代码中无法理解的是:

• 在正则表达式第5行中，即使有一个r，里面的“\d”也被当作一个数[0-9] 而不是一个反斜杠 \ 加上一个字母 d。
• 在第二次打印的第 8 行中，所有字符都被视为原始字符串。

有什么区别？

附加版:

我做了以下四种变体，有或没有 r:

import re

text2 = 'Today is 11/27/2012. PyCon starts 3/13/2013.'
text2_re = re.sub(r'(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text2)
text2_re1 = re.sub('(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text2)
text2_re2 = re.sub(r'(\d+)/(\d+)/(\d+)', '\3-\1-\2', text2)
text2_re3 = re.sub('(\d+)/(\d+)/(\d+)', '\3-\1-\2', text2)

print (text2_re)
print (text2_re1)
print (text2_re2)
print (text2_re3)

并得到如下输出:

您能具体解释一下这四种情况吗？

Answer 1

您对字符串和字符串文字之间的区别感到困惑。

字符串字面量是你放在 " 之间的内容或 ' python解释器解析这个字符串并将其放入内存。如果您将字符串文字标记为原始字符串文字(使用 r' )，则 python 解释器在将该字符串放入内存之前不会更改该字符串的表示形式，但是一旦它们被解析，它们就会以完全相同的方式存储。

这意味着在内存中没有原始字符串这样的东西。以下两个字符串都相同地存储在内存中，不知道它们是否是原始的。

r'a regex digit: \d'  # a regex digit: \d
'a regex digit: \\d'  # a regex digit: \d

这两个字符串都包含\d并且没有什么可以说这是来自原始字符串。因此，当您将此字符串传递给 re模块它看到有一个 \d并将其视为数字，因为 re模块不知道字符串来自原始字符串文字。

在您的特定示例中，要获得文字反斜杠后跟文字 d，您可以使用 \\d像这样:

import re

text2 = 'Today is 11/27/2012. PyCon starts 3/13/2013.'
text2_re = re.sub(r'(\\d+)/(\\d+)/(\\d+)', r'\3-\1-\2', text2)
print (text2_re) #output: Today is 11/27/2012. PyCon starts 3/13/2013.

或者，不使用原始字符串:

import re

text = 'Today is 11/27/2012. PyCon starts 3/13/2013.'
text_re = re.sub('(\\d+)/(\\d+)/(\\d+)', '\\3-\\1-\\2', text2)
print (text_re) #output: Today is 2012-11-27. PyCon starts 2013-3-13.

text2 = 'Today is 11/27/2012. PyCon starts 3/13/2013.'
text2_re = re.sub('(\\\\d+)/(\\\\d+)/(\\\\d+)', '\\3-\\1-\\2', text2)
print (text2_re) #output: Today is 11/27/2012. PyCon starts 3/13/2013.

希望对您有所帮助。

编辑:我不想让事情复杂化，因为 \d不是有效的转义序列 python 不会更改它，所以 '\d' == r'\d'是真的。自 \\ 是一个有效的转义序列，它被更改为 \ ，所以你得到了行为 '\d' == '\\d' == r'\d' .字符串有时会令人困惑。

Edit2:为了回答您的编辑，让我们具体看一下每一行:

text2_re = re.sub(r'(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text2)

re.sub接收两个字符串 (\d+)/(\d+)/(\d+)和 \3-\1-\2 .希望这会像您现在期望的那样运行。

text2_re1 = re.sub('(\d+)/(\d+)/(\d+)', r'\3-\1-\2', text2)

同样(因为 \d 不是有效的字符串转义，它不会被更改，请参阅我的第一次编辑)re.sub接收两个字符串 (\d+)/(\d+)/(\d+)和 \3-\1-\2 .自 \d不会被 python 解释器改变 r'(\d+)/(\d+)/(\d+)' == '(\d+)/(\d+)/(\d+)' .如果您理解我的第一个编辑，那么希望您应该理解为什么这两种情况的行为相同。

text2_re2 = re.sub(r'(\d+)/(\d+)/(\d+)', '\3-\1-\2', text2)

这种情况有点不同，因为 \1 , \2和 \3都是有效的转义序列，它们被替换为 unicode character其十进制表示由数字给出。这相当复杂，但基本上可以归结为:

\1  # stands for the ascii start-of-heading character
\2  # stands for the ascii start-of-text character
\3  # stands for the ascii end-of-text character

这意味着re.sub接收第一个字符串，就像在前两个示例中所做的那样 ( (\d+)/(\d+)/(\d+) )，但第二个字符串实际上是 <start-of-heading>/<start-of-text>/<end-of-text> .所以re.sub完全用第二个字符串替换匹配项，但由于三个( \1 、 \2 或 \3 )都不是可打印字符，python 只打印一个常用占位符。

text2_re3 = re.sub('(\d+)/(\d+)/(\d+)', '\3-\1-\2', text2)

这与第三个示例的行为类似，因为 r'(\d+)/(\d+)/(\d+)' == '(\d+)/(\d+)/(\d+)' ，如第二个示例中所述。