從零寬斷言說起到用python匹配html標簽內容
版權聲明：本文為博主原創文章，轉載請附帶原文網址http://www.cnblogs.com/wbchanblog/p/7411750.html ，謝謝！
提示：本文主要是講解零寬斷言，所以閱讀本文需要有一定的正則表達式基礎。
概念
我們知道元字符“\b”、“^”、“$”匹配的是一個位置，而且這個位置需要滿足一定的條件（比如“\b”表示單詞的邊界），我們把這個條件稱為斷言或零寬度斷言。這裏有很重要的兩個信息：一是斷言實際上是某種條件；二是它不占字符寬度，只是一個位置，並不匹配任何字符。
零寬斷言一共分為正向和反向兩類，每類又分為預測先行和回顧後發兩種：
§零寬度正預測先行斷言，簡稱正向先行斷言，語法是(?=exp)，
§零寬度正回顧後發斷言，簡稱正向後發斷言，語法是(?<=exp)，它斷言此位置的前面能匹配表達式exp。
§零寬度負預測先行斷言，簡稱反向先行斷言，語法是(?!exp)，它斷言此位置的後面不能匹配表達式exp。
§零寬度負回顧後發斷言，簡稱反向後發斷言，語法是(?<!exp)，它斷言此位置的前面不能匹配表達式exp。
好了，說到這裏你一定感覺雲裏霧裏，講道理我剛看到這官方定義也是一臉懵逼，下面就結合例子來幫助理解一下什麽是斷言。做過python爬蟲的朋友一定做過提取html標簽內容的工作吧，比如有<div>hello world</div>，我們要把div標簽裏面的‘hello world’提取出來，用斷言就是如下這樣：
正則表達式：(?<=<div>).*(?=</div>)
匹配字符串：<div>hello world</div>
匹配結果： hello world
我們結合這段表達式來看，我們前後用了(?<=<div>)和(?=</div>)兩個斷言。
先來看第一個斷言(?<=<div>)，看形式，是不是跟斷言語法中的(?<=exp)一樣，沒錯，這個就是正向後發斷言，這裏的exp就是<div>，它斷言此位置的前面能匹配表達式<div>，這樣說其實很不好理解，關鍵在於此位置
再來看第二個斷言(?=</div>)，看形式，跟斷言語法中的(?=exp)一樣，那麽這個就是正向先行斷言，這裏的exp就是</div>，它就代表：我斷言，我所要提取的目標字符串，它後面的內容一定要匹配表達式</div>。根據這個條件，結合上一段得到的hello world</div>，我們可以得到匹配結果hello world。
這裏安利一個叫Regex Match Tracer的軟件，可以幫助我們學習正則表達式：
編寫含斷言的正則表達式思路
根據以上所說，當我們需要提取字符串的時候，可以用斷言，就比如上述字符串<div>hello world</div>，想得到div標簽裏面的內容時，我們可以按照以下思路寫正則表達式：
首先，目標字符串是hello world，那麽它可以歸納為 .* ；
其次，目標字符串前面有<div>，既然是前面有，那麽根據四種斷言的含義，容易得出用正向後發斷言(?<=exp)，將它放在目標字符串前面，得到(?<=<div>).*，進一步可以將div歸納為[a-zA-Z]+，從而得到(?<=<[a-zA-Z]+>).*；
最後，目標字符串後面有</div>，既然是後面有，那麽根據四種斷言的含義，容易得出用正向先行斷言(?=exp)，將它放在目標字符串後面，從而得到(?<=<[a-zA-Z]+>).*(?=</[a-zA-Z]+>)；
進一步的，我們發現前後兩個斷言中都有[a-zA-Z]+，可以使用分組來避免書寫重復的內容：(?<=<([a-zA-Z]+)>).*(?=</\1>)，當然也可以使用命名分組，這裏就不展開了。
說到這裏，我歸納出了幾句書寫斷言的口訣：
前面有，正向後發(?<=exp)，放前面；
後面有，正向先行(?=exp)，放後面；
前面無，反向後發(?<!exp)，放前面；
後面無，反向先行(?!exp)，放後面。
請記住，這個前面和後面是針對目標字符串，也就是你要提取出來的字符串而言的。
Python中斷言的應用
前面說了這麽多， 都是就正則表達式本身而言的，我們知道不同編程語言都有自己對正則表達式的擴展，python也不例外。來看下面一段代碼：
import re pattern = re.compile(r‘(?<=<([a-zA-Z]+>)).*(?=</\1>)‘) s = ‘<html>hello world</html>‘ ret = re.search(pattern, s) print(ret.group()) #得到結果： #Traceback (most recent call last): # raise error("look-behind requires fixed-width pattern") #sre_constants.error: look-behind requires fixed-width pattern
我們看到python解釋器報錯了，怎麽回事？別急，接著看：
import re pattern = re.compile(r‘(?<=<([a-zA-Z]+>)).*‘) s = ‘<html>hello world</html>‘ ret = re.search(pattern, s) print(ret.group()) #得到結果： #Traceback (most recent call last): # raise error("look-behind requires fixed-width pattern") #sre_constants.error: look-behind requires fixed-width pattern
import re pattern = re.compile(r‘.*(?=</[a-zA-Z]+>)‘) s = ‘<html>hello world</html>‘ ret = re.search(pattern, s) print(ret.group()) #得到結果： #<html>hello world
看明白了嗎？將上面第二第三段分別跟第一段代碼對比，我們看到第二段相對於第一段的正則表達式去掉了正向先行斷言，仍然報錯；第三段相對於第一段的正則表達式去掉了正向後發斷言（當然用到分組的地方已經手動補全了），卻匹配到了結果。再結合錯誤信息“sre_constants.error: look-behind requires fixed-width pattern”，我們可以得出python的re模塊並不支持變長的後發斷言，只支持定長的後發斷言。
那咋辦？難不成就不能提取html標簽裏的內容了？別急，請看下面代碼：
import re pattern = re.compile(r‘<([a-zA-Z]+)>(.*)</\1>‘) s = ‘<html>hello world</html>‘ ret = re.search(pattern, s) print(‘re.group()→‘, ret.group()) print(‘re.group(2)→‘, ret.group(2)) #運行結果 #re.group()→ <html>hello world</html> #re.group(2)→ hello world
我們可以用分組來提取特定的字符串，上面代碼給了.*增加了一個分組，按從左到右是第二個分組，這樣我們可以在匹配結果中用.group(2)得到目標字符串。
從零寬斷言說起到用python匹配html標簽內容