正则表达式——滥用点号的问题

因为点号能匹配几乎所有的字符，所以实际应用中许多人图省事，随意使用.*或.+，结果却事与愿违，下面以双引号字符串为例来说明。

之前我们使用表达式"[^"]*"匹配双引号字符串，而"图省事"的做法是".*"。通常这么用是没有问题的，但也可能有意外，例2-12就说明了一种如此。

例2-12  "图省事"的意外结果

#字符串的值是"quoted string"  
print re.search(r"\".*\"", "\"quoted string\"").group(0)  
"quoted string"  
#字符串的值是"quoted string" and another"  
print re.search(r"\".*\"", "\"quoted string\" and another\"").group(0)  
"quoted string" and another"  `

用".*"匹配双引号字符串，不但可以匹配正常的双引号字符串"quoted string"，还可以匹配格式错误的字符串"quoted string" and another"。这是为什么呢？

这个问题比较复杂，现在只简要介绍，以说明图省事导致错误的原因，更深入的原因涉及正则表达式的匹配原理，在第8章详细介绍。

在正则表达式".*"中，点号.可以匹配任何字符，*表示可以匹配的字符串长度没有限制，所以.*在匹配过程结束以前，每遇到一个字符（除去无法匹配的\n），.*都可以匹配，但是到底是匹配这个字符，还是忽略它，将其交给之后的"来匹配呢？

答案是，具体选择取决于所使用的量词。在正则表达式中的量词分为几类，之前介绍的量词都可以归到一类，叫做匹配优先量词（greedy quantifier，也有人翻译为贪婪量词 ）。匹配优先量词，顾名思义，就是在拿不准是否要匹配的时候，优先尝试匹配，并且记下这个状态，以备将来"反悔"。

来看表达式".*"对字符串"quoted string"的匹配过程。

一开始，"匹配"，然后轮到字符q，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配q，并且记录下这个状态【q也可能是.*不应该匹配的】；

接下来是字符u，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配u，并且记录下这个状态【u也可能是.*不应该匹配的】；

……

现在轮到字符g，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配g，并且记录下这个状态【g也可能是.*不应该匹配的】；

最后是末尾的"，.*可以匹配它，也可以不匹配，因为使用了匹配优先量词，所以.*先匹配"，并且记录下这个状态【"也可能是.*不应该匹配的】。

这时候，字符串之后已经没有字符了，但正则表达式中还有"没有匹配，所以只能查询之前保存备用的状态，看看能不能退回几步，照顾"的匹配。查询到最近保存的状态是：【"也可能是.*不应该匹配的】。于是让.*"反悔"对"的匹配，把"交给"，测试发现正好能匹配，所以整个匹配宣告成功。这个"反悔"的过程，专业术语叫做回溯（backtracking），具体的过程如图2-1所示。

 

 

图2-1  表达式".*"对字符串"quoted string"的匹配过程

 

如果把字符串换成"quoted string" and another"，.*会首先匹配第一个双引号之后的所有字符，再进行回溯，表达式中的"匹配了字符串结尾的字符"，整个匹配宣告完成，过程如图2-2所示。

 

图2-2  表达式".*"的匹配过程

如果要准确匹配双引号字符串，就不能图省事使用".*"，而要使用"[^"]*"，过程如图2-3所示。

 

 

图2-3  表达式"[^"]*"的匹配过程