关于python正则re.search匹配的困惑

Question

re.search(r'(%[0-9a-fA-F]{2})', r'自定:%E8%87%AA%E5%AE%9A%E5')
# '%E8'
re.search(r'(%[0-9a-fA-F]{2})*', r'自定:%E8%87%AA%E5%AE%9A%E5')
# ''
re.search(r'((%[0-9a-fA-F]{2})*)', r'自定:%E8%87%AA%E5%AE%9A%E5')
# ''
re.search(r'(?<=:)((%[0-9a-fA-F]{2})*)', r'自定:%E8%87%AA%E5%AE%9A%E5')
# '%E8%87%AA%E5%AE%9A%E5'

请问为什么第一行可以匹配到一个hex，二三行却匹配到一个空字符？
为什么第四行设定了前方是一个:后，又匹配到了全部的hex字符？

Answer 1

请问为什么第一行可以匹配到一个hex，二三行却匹配到一个空字符？

• (%[0-9a-fA-F]{2}) 的意思是“% 后面跟着两个范围内的数字或字母，且只匹配一次”；
• re.search 只返回从左到右第一个匹配的对象
• * 表示匹配零次或多次

所以第一行可以匹配到字符串最左边的 %E8，而且只匹配到一个。而第二、三行由于 * 的存在，第一个匹配到的是最左边的空字符，所以返回的是 ''。

如果使用 re.finditer() 就可以看到第二、三行是都可以匹配到全部的（%E8%87%AA%E5%AE%9A%E5）。进一步，如果直接将第二行的 * 改为 +，即匹配 1 次或多次，就会返回你想要的全部 hex：

>>> matches = re.finditer(r'(%[0-9a-fA-F]{2})*', r'自定:%E8%87%AA%E5%AE%9A%E5')
>>> for m in matches:
...     print(m)
...
<re.Match object; span=(0, 0), match=''>
<re.Match object; span=(1, 1), match=''>
<re.Match object; span=(2, 2), match=''>
<re.Match object; span=(3, 24), match='%E8%87%AA%E5%AE%9A%E5'>
<re.Match object; span=(24, 24), match=''>
>>> re.search(r'(%[0-9a-fA-F]{2})+', r'自定:%E8%87%AA%E5%AE%9A%E5')
<re.Match object; span=(3, 24), match='%E8%87%AA%E5%AE%9A%E5'>

为什么第四行设定了前方是一个:后，又匹配到了全部的hex字符？

?< 这个东西叫后行断言（lookbehind assertion），小于号 < 表示箭头方向左向，即“回头看”。后面的 =: 就是表面意思，等于 :。综合起来就是“左边的字符是 :”。

所以 (?<=:)((%[0-9a-fA-F]{2})*) 的意思就是“匹配左边是 :，且符合 % 后面跟着两个范围内的数字或字母的模式的字符串，匹配零次或多次”。那既然有 * 的存在，为什么不会像第二、三行一样匹配到最左边的空字符呢？因为他们左边不是 :。

所以你想匹配到所有 hex 字符，最简单的就是把第二行的 * 改为 +：(%[0-9a-fA-F]{2})+。而第四行显然是有点多余了。

关于更多正则表达式的内容，例如先行断言和后行断言等，可以参见我的文章：SLP3：2.1 正则表达式。