Python re.search 中正则表达式特殊字符 | 的转义与字面量匹配

一分耕耘，一分收获！既然打开了这篇文章《Python re.search 中正则表达式特殊字符 | 的转义与字面量匹配 》，就坚持看下去吧！文中内容包含等等知识点...希望你能在阅读本文后，能真真实实学到知识或者帮你解决心中的疑惑，也欢迎大佬或者新人朋友们多留言评论，多给建议！谢谢！

本文深入探讨了在 Python re.search 函数中使用 | 字符时常见的误区。在正则表达式中，| 默认作为逻辑“或”运算符，而非字面量字符。文章将解释其工作原理，并提供正确的转义方法 \|，以确保能够准确匹配字符串中的竖线符号，并通过实际代码示例演示如何避免这一常见错误。

理解正则表达式中的特殊字符

正则表达式（Regular Expression, Regex）是一种强大的文本模式匹配工具，广泛应用于数据清洗、验证和提取。然而，在使用正则表达式时，需要特别注意一些具有特殊含义的字符。这些特殊字符在没有转义的情况下，不会按照其字面意义进行匹配，而是执行特定的正则操作。例如，. 匹配任意字符，* 匹配前一个字符零次或多次。本文将重点讨论其中一个常见的特殊字符：竖线 |。

| 字符的特殊含义：逻辑“或”运算符

在正则表达式中，竖线 | 被定义为逻辑“或”运算符。它的作用是分隔两个或多个备选模式，表示匹配其中任意一个模式即可。例如，模式 cat|dog 将匹配字符串中的 "cat" 或 "dog"。

当我们在 re.search('|', elem) 这样的表达式中使用 | 时，它被解析为“匹配空字符串或空字符串”。由于任何字符串都包含空字符串（在开头、结尾以及任意两个字符之间），因此 re.search('|', elem) 总是会返回一个匹配对象，其布尔值为 True。这就是为什么即使字符串中不包含字面意义上的竖线 |，该表达式也会返回 True 的原因。

考虑以下原始代码示例，它试图在 Pandas DataFrame 的 'First' 列中查找包含竖线 | 的元素：

import pandas as pd
import numpy as np
import re

df_test = pd.DataFrame(np.array([['a|b', 'b', 'c|r'], [ 'e', 'f', 'g']]), columns=['First', 'Second', 'Third'])

for elem in df_test.get('First'):
    x = bool(re.search('|', elem)) # 错误：| 被视为或运算符
    if x == True:
        print(elem)

这段代码的预期输出是只包含 'a|b'，因为它直观上是唯一包含 | 的元素。然而，实际输出却是：

a|b
e

这是因为 re.search('|', elem) 实际上是在匹配“空字符串或空字符串”，这对于 'a|b' 和 'e' 都是成立的，导致了意外的结果。

正确匹配字面量 |：使用转义符 \

要匹配正则表达式中的特殊字符的字面意义，我们需要使用反斜杠 \ 作为转义符。当 \ 放在一个特殊字符前面时，它会取消该字符的特殊含义，使其被视为一个普通的字面量字符。因此，要匹配字面意义上的竖线 |，正确的正则表达式模式应该是 \|。

下面是修正后的代码示例，它能够正确地识别并打印出包含字面量 | 字符的元素：

import pandas as pd
import numpy as np
import re

df_test = pd.DataFrame(np.array([['a|b', 'b', 'c|r'], ['e', 'f', 'g']]), columns=['First', 'Second', 'Third'])

for elem in df_test.get('First'):
    x = bool(re.search('\|', elem)) # 正确：使用转义符匹配字面量 |
    if x == True:
        print(elem)

运行这段修正后的代码，将得到期望的输出：

a|b

这证明了通过转义 | 字符，我们成功地将其作为字面量进行匹配。

注意事项与最佳实践

1. 其他需要转义的特殊字符：除了 | 之外，正则表达式中还有许多其他特殊字符需要转义才能匹配其字面意义。常见的包括：. (点), * (星号), + (加号), ? (问号), ^ (脱字符), $ (美元符), ( (左括号), ) (右括号), [ (左方括号), ] (右方括号), { (左花括号), } (右花括号), \ (反斜杠本身)。如果你需要匹配这些字符，也必须在它们前面加上 \。

2. 使用原始字符串（Raw String）：在 Python 中，建议使用原始字符串（以 r 开头，例如 r'\.'）来定义正则表达式模式。原始字符串会忽略反斜杠的转义功能，这在处理包含大量反斜杠的正则表达式时非常有用，可以避免因 Python 字符串本身的转义规则与正则表达式的转义规则冲突而导致的混淆。例如，re.search(r'\|', elem) 与 re.search('\\|', elem) 效果相同，但前者更清晰。

3. re.escape() 函数：如果你需要匹配一个可能包含多个特殊字符的字符串作为字面模式，并且不确定哪些字符需要转义，可以使用 re 模块提供的 re.escape() 函数。它会自动转义字符串中的所有特殊正则表达式字符。

   import re
   pattern_string = "hello.world|!"
   escaped_pattern = re.escape(pattern_string)
   print(escaped_pattern) # 输出: hello\.world\|\!

总结

在 Python 中使用 re.search 或其他正则表达式函数时，理解特殊字符的含义及其转义规则至关重要。竖线 | 作为逻辑“或”运算符，如果不加转义，将不会匹配其字面意义。通过在 | 前加上反斜杠 \ (即 \|)，我们可以确保它被视为一个普通的字面量字符进行匹配。掌握这些基础知识和最佳实践，将有助于编写更准确、更健壮的正则表达式，从而有效处理各种文本匹配任务。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~