有了這個庫，以後再也不用寫正則表示式了！

語言: CN / TW / HK

時間 2022-09-04 13:38:18 進擊的Coder

主題: 正則表示式

這是「進擊的Coder」的第 715 篇技術分享

作者：崔慶才

正則表示式大家應該有了解過吧？它功能很強大，但有一個痛點就是不太容易讀寫，我們需要了解正則的很多語法規則才能寫出一個健壯的正則表示式，很多朋友估計聽到正則表示式估計都焦頭爛額了。

就沒有解決辦法嗎？

有的，今天給大家介紹一個可以讓我們用“人類”的方式來寫正則表示式的庫。

Humre

沒錯，這個庫就是 Humre，就是 Human（人類） + re（正則表示式）的組合，單看這個名字還是很有來頭啊。

GitHub 地址： https://github.com/asweigart/humre

PyPi： https://pypi.org/project/Humre/

這個庫其實很新，第一次 commit 是在 2022/7/21，作者是 Al Sweigart，就是寫 pyautogui 庫（已有 7.1k star）的那個人，所以還是有一定可信賴度的。

這個庫解決的問題就是讓我們可以用更“人類”，也就是更語義化的方式編寫正則表示式。

“

注意：當前時間（2022/9/4）這個庫還沒有釋出 1.0 版本，所以相關 API 可能會更改，具體的最新 API 請參考原 GitHub 倉庫的最新說明。

”

基本體驗

OK，我們先來一個例子看看，比如我們我們現在要從一段文字中提取出一個電話號碼，比如原文字如下：

Call 415-555-1234 today!

我們需要提取出其中的電話號碼，那麼用常規的正則表示式就是這麼寫的：

\d{3}-\d{3}-\d{4}

意思就是匹配“三個數字-三個數字-四個數字”，那麼用 Python 就可以這麼寫：

from re import *

text = 'Call 415-555-1234 today!'
regexStr = '\d{3}-\d{3}-\d{4}'
result = compile(regexStr).search(text)
print(result.group())

那麼用 Humre 就可以寫成這樣：

from humre import *

text = 'Call 415-555-1234 today!'
regexStr = exactly(3, DIGIT) + '-' + exactly(3, DIGIT) + '-' + exactly(4, DIGIT)
result = compile(regexStr).search(text)
print(result.group())

可以看到整個正則表示式就變得語義化了， exactly 指的就是精確匹配， DIGIT 指的就是數字， exactly(3, DIGIT) 就是精確匹配三個數字，也就是 \d{3} 的意思。

執行結果都是一樣的：

415-555-1234

我們觀察可以發現，這裡我們僅僅是把 re 這個庫換成了 humre，然後修改了下 regexStr 就可以實現正則表示式的語義化表示了，是不是還挺簡單的？

這時候有人說，我現在也沒感覺出這個庫有什麼優勢啊，反而寫得更長了。

那好，咱們再來一個例子，找出所有十六進位制數字，這個十六進位制數字可能帶字首 0x 或者 0X ，普通正則怎麼寫？

import re
re.compile('(?:(?:0x|0X)[0-9a-f]+)|(?:(?:0x|0X)[0-9A-F]+)|(?:[0-9a-f]+)|(?:[0-9A-F]+)')

感覺可讀性怎麼樣？

那如果這時候換成 Humre 呢？就可以這樣寫：

from humre import *
compile(
    either(
        noncap_group(noncap_group(either('0x', '0X')), one_or_more(chars('0-9a-f'))),
        noncap_group(noncap_group(either('0x', '0X')), one_or_more(chars('0-9A-F'))),
        noncap_group(one_or_more(chars('0-9a-f'))),
        noncap_group(one_or_more(chars('0-9A-F')))
    )
)

是不是清晰多了？ either 指的就是其中某一個符合條件就可以，然後傳入了四個引數， noncap_group 指的就是將內容看作一個整體來匹配， one_or_more 指的就是一個或更多，這樣我們就可以清晰地知道這個正則表示式什麼含義了。

再來一個例子，匹配一個帶或不帶逗號的數字，並且可以匹配小數點，那麼普通正則就這樣寫：

import re
re.compile(r'(?:\+|-)?(?:(?:\d{1,3}(?:,\d{3})+)|\d+)(?:\.\d+)?')

顫抖吧！估計正則專家都不一定一眼讀出來這是啥意思，有沒有錯誤。

那用 Humre 怎麼寫呢？

from humre import *
compile(
    # optional negative or positive sign:
    optional(noncap_group(either(PLUS_SIGN, '-'))),
    # whole number section:
    noncap_group(either(
        # number with commas:
        noncap_group(between(1, 3, DIGIT), one_or_more(noncap_group(',', exactly(3, DIGIT)))),
        # number without commas:
        one_or_more(DIGIT)
    )),
    # fractional number section (optional)
    optional(noncap_group(PERIOD, one_or_more(DIGIT)))
    )

是不是又清晰了？

這裡一共拆分為了三部分，正負號、數字、小數點，其中正負號和小數點都是可選的，所以可以加一個 optional ， noncap_group 照例還是整體匹配，然後有一些常量 PLUS_SIGN 就可以代表加號， between 就可代表從幾到幾。整體這麼一拆分，並添加註釋和分級，是不是可讀性就大大增強了？

OK，到這裡，體會到 Humre 的便捷之處了吧～

Humre 真的有必要嗎？

在我看來，使用正則的人可能有兩種：一種是剛不怎麼會剛入門的，另一種是精通正則的。

如果是剛入門的，那有了 Humre，我們其實可以不用過多關心正則的很多語法，上手起來就會快很多。

如果是精通正則了，那麼其實可以很快寫出來某個功能需求的正則表示式，這個沒問題。

但寫出來之後，如果遇到問題了想要排查，那其實還得費點功夫，

當然排查過程也可以藉助於很多優秀的正則表示式輔助工具，比如：

https://regexr.com/
https://regex101.com/

所以排查問題還好。

但到了維護階段，或者專案被別人來維護了，不管是自己還是別人，看到這個正則表示式想看出是什麼意思，那其實就不太好辦了。

所以，這種語義化的正則不論對於正則小白還是專家，都是有一定幫助的。

語義化表

瞭解了 Humre 的基本功能之後，如果我們想要使用它的話，其實就是找到它的一些 API 功能就好了，比如 optional , nocap_group 等等都什麼意思，對應正則表示式的什麼功能，這裡總結了一些常用的方法和含義：

另外還有一些常量表示如下：

另外 Humre 還提供了一些常用的表達，比如十六進位制 HEXADECIMAL ，參考如下：

這裡簡單列一下，但最新的 API 建議還是參考官方文件： https://github.com/asweigart/humre#quick-reference

後面需要做什麼？用這個庫上手寫幾個，感受一下，練上幾個就熟練了。

提示

當然，這個庫好用是好用的，但距離成熟可能還有一點時間哈，在 1.0 版本之前，其中的 API 可能還會迭代，所以還不建議直接上生產環境。

如果真的要上生產環境，建議鎖死版本號，避免帶來潛在的問題。

總結

好了，這裡主要就是給大家介紹下這個正則庫，有了它，我們的正則表示式就可以變得更加清晰易讀，希望對大家有幫助～

End

崔慶才的新書《Python3網路爬蟲開發實戰（第二版）》已經正式上市了！書中詳細介紹了零基礎用 Python 開發爬蟲的各方面知識，同時相比第一版新增了 JavaScript 逆向、Android 逆向、非同步爬蟲、深度學習、Kubernetes 相關內容，‍同時本書已經獲得 Python 之父 Guido 的推薦，目前本書正在七折促銷中！

內容介紹：《Python3網路爬蟲開發實戰（第二版）》內容介紹

掃碼購買

好文和朋友一起看~

「其他文章」