原始字符串、Python和re、普通字符与特殊字符

关于原始字符串，我遇到了令人困惑且看似矛盾的规则。考虑下面的例子：

>>> text = 'm\n' >>> match = re.search('m\n', text) >>> print match.group() m >>> print text m 令人惊讶的是，上面的代码抛出了一个错误，即使它们都是原始字符串。这意味着两者都只包含文本

m\n

，没有换行符

>>> text = r'm\n'
>>> match = re.search(r'm\\n', text)
>>> print text
m\n
>>> print match.group()
m\n

令人惊讶的是，上述方法奏效了为什么我必须在搜索中避开反斜杠，而不是文本本身？

然后是没有特殊行为的普通字符的反斜杠：

>>> text = 'm\&'
>>> match = re.search('m\&', text)
>>> print text
m\&
>>> print match.group()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'group'

我对原始字符串的理解是，它们抑制python中反斜杠的行为。对于正则表达式，这一点很重要，因为它允许re.search应用自己的内部反斜杠行为，并防止与Python发生冲突。然而，在上述情况下，反斜杠实际上毫无意义，我不知道为什么它看起来是必要的。更糟糕的是，我不明白为什么我需要反斜杠来表示模式，而不是文本，而且当我将这两个字符串都制作为原始字符串时，它似乎不起作用

在这方面不要提供太多指导。他们关注有明显问题的示例，例如

'\section'

，其中

\s

是元字符。寻找一个完整的答案，以防止像这样的意外行为

text = r'm\n'
match = re.search(r'm\\n', text)

第一行使用

r

阻止python将

\n

解释为单字节

使用

r

的第二行与第一行的作用相同。使用

\

可以防止正则表达式解释为

\n

。正则表达式还使用

\

类似的

\s

，

\d

以下字符是赋予正则表达式搜索语法特殊含义的元字符：

\反斜杠转义字符。 反斜杠赋予它后面的字符特殊的含义。例如，组合“\n”表示控制字符之一的换行符。组合“\w”表示“word”字符，这是一种方便的转义序列，“\1”是一种替换特殊字符。 示例：正则表达式“aa\n”尝试在一行末尾匹配两个连续的“a”，包括换行符本身。 示例：“a+”与“a+”匹配，而不是一系列的“a”或“a”

---

为了理解您所困惑的字符串的内部表示。我建议您使用和内置函数。使用这些工具，您将能够准确地理解字符串是如何工作的，并且不再对模式匹配感到困惑，因为您将准确地了解内部表示。例如，假设您想分析遇到问题的字符串：

use_cases = [
    'm\n',
    r'm\n',
    'm\\n',
    r'm\\n',
    'm\&',
    r'm\&',
    'm\\&',
    r'm\\&',
]

for u in use_cases:
    print('-' * 10)
    print(u, repr(u), len(u))

产出将是：

----------
m
 'm\n' 2
----------
m\n 'm\\n' 3
----------
m\n 'm\\n' 3
----------
m\\n 'm\\\\n' 4
----------
m\& 'm\\&' 3
----------
m\& 'm\\&' 3
----------
m\& 'm\\&' 3
----------
m\\& 'm\\\\&' 4

---

因此，您可以准确地看到普通字符串与原始字符串之间的差异。

在常规Python字符串中，

'm\n'

，

\n

表示一个换行符，而在原始字符串

r'm\n'

中，

\

和

n

只是它们本身。到目前为止，一切都很简单

如果将字符串

'm\n'

作为模式传递给

re.search（）

，则传递的是一个两个字符的字符串（

m

，后跟换行符），并且

re

将很高兴地为您查找这两个字符字符串的实例

如果传递三个字符的字符串

r'm\n'

，则

re

模块本身将把这两个字符

\

n

解释为具有特殊含义“匹配换行符”，因此整个模式意味着“匹配一个

m

，然后是一个换行符”，就像前面一样

在第三个示例中，由于字符串

r'm\n'

不包含换行符，因此没有匹配项：

>>> text = r'm\n'
>>> match = re.search(r'm\n', text)
>>> print(match)
None

使用模式

r'm\\n'

，您将两个实际的反斜杠传递给

re.search（）

，并且模块本身

re

将双反斜杠解释为“匹配单个反斜杠字符”

在

'm\&'

的例子中，发生了一些稍微不同的事情。Python将反斜杠视为常规字符，因为它不是转义序列的一部分<另一方面，code>re，简单地丢弃

\

，因此模式实际上是

m&

。通过对

'm&'

测试模式，可以看出这是正确的：

>>> re.search('m\&', 'm&').group()
'm&'

与前面一样，将反斜杠加倍告诉

re

搜索实际的反斜杠字符：

>>> re.search(r'm\\&', 'm\&').group()
'm\\&'

。。。为了让事情变得更加混乱，用Python double表示单个反斜杠。通过打印它，您可以看到它实际上是一个反斜杠：

>>> print(re.search(r'm\\&', 'm\&').group())
m\&

---

简单地说，

\

在正则表达式中有一个特殊的含义。例如，空格字符为

\s

，十进制数字为

\d

，新行字符为

\n

，等等

当您将字符串定义为

s = 'foo\n'

此字符串包含字符

f

、

o

、

o

和新行字符（长度4）

但是，在定义原始字符串时：

s = r'foo\n'

此字符串包含字符

f

、

o

、

o

、

\

和

n

（长度5）

当您使用原始

\n

（即

r'\n'

）编译regexp时，它将匹配所有新行。类似地，只要使用新行字符（即

'\n'

），它将匹配新行字符，就像

a

匹配

a

一样

一旦你理解了这个概念，你就应该能够理解剩下的

---

再详细说明一下。为了使用正则表达式匹配反斜杠字符

\

，有效的正则表达式是

\

，在Python中是

r'\\'

或其等价的

'\\\\'

，这一点也不奇怪

r'm\n

属于

>>> print(re.search(r'm\\&', 'm\&').group())
m\&

s = 'foo\n'

s = r'foo\n'