练习 31：正则表达式
原文：Exercise 31: Regular Expressions
译者：飞龙
自豪地采用谷歌翻译
正则表达式（RegEx）是一种简洁的方式，用于确定字符序列应如何在字符串中匹配。通常大家都认为它们是“可怕”的，但是，正如你所知道的，任何包含在恐惧中的东西通常都不是这样。正则表达式的事实是，它们是大约八个符号的集合，告诉计算机如何匹配模式串。简单来说，他们很容易理解。人们遇到困难的地方是，尝试使用难以置信的复杂的正则表达式，其中解析器实际上会更好。一旦你明白了这八个符号和正则表达式的限制，你就会看到它们根本不可怕。
我打算让你记忆更多东西，使你的的大脑为讨论做好准备。
^锚定字符串开头。只有字符串刚好位于开头，它才会匹配。
$锚定字符串末尾。只有字符串到达了末尾，它才会匹配。
.任何单个字符。接受任何单个字符的输入。
?正则表达式的之前的部分是可选的，所以
A?的意思是可选的字符A。
*之前的部分是零个或多个（任意个）。选取正则表达式的之前的部分，重复接受或者跳过它。
A*会接受"AAAAAAA"或者"BQEFT"，因为它里面有零个A。
+之前的部分是一个或多个（至少一个）。和
*类似，但是只接受一个或多个这种字符。A+会匹配"AAAAAAA"，但不是"BQEFT"。
[X-Y]
X到Y的字符范围，接受任何范围中列出的字符串。[A-Z]表示所有大写英文字母。许多常见字符范围拥有\快捷方式，你可以使用它来代替。
()捕获这个正则表达式的部分，便于稍后使用。许多正则表达式库将其用于替换、提取或修改文本。捕获会选取正则表达式的
()中的部分，并保存它便于以后使用。之后许多库可以让你引用这些捕获。如果你使用([A-Z]+)，它会捕获一个或多个大写英文单词。
Python 的re库列出了一些更多的符号，但大多都是这八个的一些修饰符，或者不在正则表达式库中经常发现的额外功能。你将快速记住这八个来起步，重点是粗体的部分（锚定末尾，之前部分可选），以便你可以快速回忆它们并解释他们的作用。
记住这些符号后，请查看以下正则表达式并将其翻译成中文，并使用 Python re库来尝试列出的字符串，或你可以想到的任何其他字符串。
".*BC?$"
helloBC,helloB,helloA,helloBCX
"[A-Za-z][0-9]+"
A1232344,abc1234,12345,b493034
"^[0-9]?a*b?.$"
0aaaax,aaab9,9x,88aabb,9zzzz
"A+B+C+[xyz]*"
AAAABBCCCCCCxyxyz,ABBBBCCCxxxx,ABABABxxxx
一旦你翻译了它们，使用Python re模块，尝试在 Shell 中尝试它们，如下：
>>> import re
>>> m = re.match(r".*BC?$", "helloB").span()
>>> re.match(r".*BC?$", "helloB").span()
(0, 6)
>>> re.match(r"[A-Za-z][0-9]+", "A1232344").span()
(0, 8)
>>> re.match(r"[A-Za-z][0-9]+", "abc1234").span()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'span'
>>> re.match(r"[A-Za-z][0-9]+", "1234").span()
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'NoneType' object has no attribute 'span'
>>> re.match(r"[A-Za-z][0-9]+", "b493034").span()
(0, 7)
>>>对于任何不匹配，你会得到AttributeError: 'NoneType'，因为当你的正则表达式不匹配时，re.match函数返回None。
挑战练习
挑战是尝试使用你的 FSM 模块来实现一个简单的正则表达式，至少执行三个操作。这将是一个困难的挑战，但使用 Python re库来帮助你规划和测试此正则表达式的实现。然后，一旦你知道如何实现它，永远不要这样做了。人生苦短，不要做计算机已经擅长的事情。
研究性学习
- 扩展你的记忆，来包括 Python
re库文档中的所有可能的符号。 - 如果你想要匹配一个
*字符，那么你可以用\*来转义它。大多数其他符号也有类似的东西。 - 确保你知道如何使用
re.ASCII，因为某些解析的需求需要它。
深入学习
看看regex库，如果你需要 Unicode 支持，那么这个更好。
