python 正则表达式中对组的理解有些混乱

Question

我对一本书中的正则表达式感到困惑：《用Python自动化无聊的东西：初学者实用编程》。正则表达式如下：

#! python3
# phoneAndEmail.py - Finds phone numbers and email addresses on the clipboard
# The data of paste from: https://www.nostarch.com/contactus.html
import pyperclip, re

phoneRegex = re.compile(r'''(
     (\d{3}|\(\d{3}\))?              # area code
     (\s|-|\.)?                      # separator
     (\d{3})                         # first 3 digits
     (\s|-|\.)                       # separator  
     (\d{4})                         # last 4 digits
     (\s*(ext|x|ext.)\s*(\d{2,,5}))? # extension
     )''', re.VERBOSE )

# TODO: Create email regex.

emailRegex = re.compile(r'''(
     [a-zA-Z0-9._%+-]+               # username
      @                              # @ symbol
     [a-zA-Z0-9.-]+                  # domian name
     (\.[a-zA-Z]{2,4})               # dot-something
     )''', re.VERBOSE)
# TODO: Find matches in clipboard text.

text = str(pyperclip.paste())
matches = []
for groups in phoneRegex.findall(text):
    **phoneNum = '-'.join ([groups[1], groups[3], groups[5]])
    if groups[8]!= '':
      phoneNum += ' x' + groups[8]**
    matches.append(phoneNum)
print(groups[0])
for groups in emailRegex.findall(text):
    matches.append(groups[0])

# TODO: Copy results to the clipboard.

if len(matches) > 0:
    pyperclip.copy('\n'.join(matches))
    print('Copied to clipboard:')
    print('\n'.join(matches))
else:
    print('No phone number or email addresses found.')

我对groups1/groups[2]……/groups[8]感到困惑。以及 phoneRegex 中有多少组。 groups() 和 groups[] 有什么区别？

粘贴的数据来自：[https://www.nostarch.com/contactus.html]

Answer 1

在正则表达式中，括号 () 创建所谓的 捕获组 。每个组都分配了一个编号，从 1 开始。

例如：

In [1]: import re

In [2]: m = re.match('([0-9]+)([a-z]+)', '123xyz')

In [3]: m.group(1)
Out[3]: '123'

In [4]: m.group(2)
Out[4]: 'xyz'

这里，([0-9]+)是第一个捕获组，([a-z]+)是第二个捕获组。当您应用正则表达式时，第一个捕获组结束 "capturing" 字符串 123 （因为这是它匹配的部分），第二部分捕获 xyz.

使用findall，它会在字符串中搜索正则表达式匹配的所有位置，并且对于每个匹配项，它会returns 捕获组的列表作为元组。我鼓励您在 ipython 中尝试一下以了解其工作原理。还要检查文档：https://docs.python.org/3.6/library/re.html#re.findall

Answer 2

正则表达式可以有组。它们由 () 表示。组可用于提取可能有用的匹配部分。

例如在phone数字正则表达式中，有9组：

Group  Subpattern
1      ((\d{3}|\(\d{3}\))?(\s|-|\.) (\d{3}) (\s|-|\.)(\d{4})(\s*(ext|x|ext.)\s*(\d{2,,5}))?)
2      (\d{3}|\(\d{3}\))?
3      (\s|-|\.)
4      (\d{3})
5      (\s|-|\.)
6      (\d{4})
7      (\s*(ext|x|ext.)\s*(\d{2,,5}))?
8      (ext|x|ext.)
9      (\d{2,,5})

注意每个组是如何包含在 ()s 中的。

groups[x] 只是指特定组匹配的字符串。 groups[0]表示第1组匹配的字符串，groups[1]表示第2组匹配的字符串，依此类推

python 正则表达式中对组的理解有些混乱

Some confusing of the understanding of groups in python regex

python

regex

regex-group