Python正则表达式\W+和\W*匹配过程的深入分析

在学习re.split函数的处理过程中，发现执行如下语句及返回与老猿预想的不一致：

>>> re.split('\W*','Hello，world')
['', 'H', 'e', 'l', 'l', 'o', '', 'w', 'o', 'r', 'l', 'd', '']

而老猿期望的是[’’, ‘Hello’, ‘’, ‘world’, ‘’],结果差异很大。
我们再看使用组模式匹配的结果：

>>> re.split('(\W*)','Hello，world')
['', '', 'H', '', 'e', '', 'l', '', 'l', '', 'o', '，', '', '', 'w', '', 'o', '', 'r', '', 'l', '', 'd', '', '']

也不是老猿期望的：[’’,‘Hello’, ‘，’, ‘world’, ‘’]。
将上述匹配模式中的\W*改成\W+，来看看效果：

>>> re.split('\W+','Hello，world')
['Hello', 'world']
>>> re.split('(\W+)','Hello，world')
['Hello', '，', 'world']
>>>

这个效果与老猿预想一致。在老猿预想的里面，使用“\W*”和“\W+”的区别应该就是在搜索文本头和尾的处理上二者有区别，“\W*”应该比“\W+”只多头和尾匹配的空字符串，毕竟二者都是贪婪模式，只是“\W*允许0次重复”。为什么执行结果却大相径庭呢？
经过仔细思考，老猿认为正则的匹配过程有关，在贪婪模式下，老猿理解上述正则表达式的匹配基本处理方法如下：

1. 所有匹配过程都是从搜索文本当前匹配到的位置（为了后续方便称为当前匹配位置）开始的，首次匹配就从搜索文本位置0开始，其后真正匹配过程每匹配一个字符匹配位置加一（前视断言、后视断言等不消耗搜索文本的方法除外）；
2. 每次匹配时，都是从搜索文本当前匹配位置开始以类似切片的机制开始匹配：
   1)切片的开始位置为当前位置，切片的结束位置从当前位置开始逐一增加（假设当前位置为n，则第一次切片类似n:n，也就是空字符串）；
   2)每次切片都会验证是否切片后的内容能否匹配当前模式，如果能匹配，切片结束位置加一，按此顺序处理，直到切片不能匹配为止；
   3)如果当前切片不能匹配，则匹配的搜索文本子串就是前一个切片（不妨称为匹配切片），如果前一个切片的起止位置相同则为空字符串，如果起始位置大于结束位置则没有匹配到，否则就是正常匹配;
   4)匹配到空串或正常子串都认为匹配成功，当前匹配位置=匹配切片结束位置+1。

这样我们回头来看使用“\W*”和“\W+”来匹配单词“Hello”的过程，由于每个字符当前位置的0长切片都为空字符串，他们满足“\W*”匹配要求，而下个长度为1的切片是字母字符，不能满足匹配的要求，因此会认为单词的每个字母之间都会被空字符串分割，如果不接受这样的结果，使用”\W+”来匹配就可以。

关于阅读本文所需要使用的基础知识请参考：
1、关于“\W*”和“\W+”的含义请参考《第11.15节 Python正则表达式转义符定义的特殊序列》；
2、关于切片请参考《第3章 Python的数据类型 第3.1节 功能强大的 Python序列概述》；
3、关于正则表达式贪婪模式请参考：《第11.9节 Python正则表达式的贪婪模式和非贪婪模式》及《转：正则表达式之 贪婪与非贪婪模式详解》；
4、关于re.split请参考《第11.22节Python 中re模块的split函数》。

老猿Python，跟老猿学Python!
博客地址：https://blog.youkuaiyun.com/LaoYuanPython
请大家多多支持，点赞、评论和加关注！谢谢！