Python正则表达式 - 完全匹配

Question

在我的CGI应用程序中，我正在写一个函数，用来获取浏览器的首选语言，这个信息保存在HTTP_ACCEPT_LANGUAGE这个变量里。我想用正则表达式找到这个变量中的所有语言标签（语言标签的一般格式在RFC1766中有定义）。RFC1766中的EBNF规则（'1*8ALPHA'表示一个到八个ASCII字符）：

Language-Tag = Primary-tag *( "-" Subtag )
Primary-tag = 1*8ALPHA
Subtag = 1*8ALPHA

我为语言标签写了这个正则表达式：

(([a-z]{1,8})(-[a-z]{1,8})*)

如果我使用这个表达式，Python的re模块会给出以下结果：

>>import re

>>re.findall("(([a-z]{1,8})(-[a-z]{1,8})*)", "x-pig-latin en-us de-de en", re.IGNORECASE)
[('x-pig-latin', 'x', '-latin'), ('en-us', 'en', '-us'), ('de-de', 'de', '-de'), ('en', 'en', '')]

结果是正确的。但是我只需要完整的匹配，比如'de-de'或者'x-pig-latin'。我可以假设一个组的第一个匹配总是最完整的吗？或者有没有什么标志可以让re显示最完整的匹配结果？

Stefan

Answer 1

不确定你是否已经查看过，但这篇文章提供了很多关于如何处理Accept-Language解析的好建议，还有一个库的参考，那个库已经解决了这个问题。

至于你提到的re问题，Doug Hellman在他最近的Python每周模块中对re做了一个很棒的解析。

Answer 2

把你内部的括号（也就是小括号）改成不捕获的类型：也就是说，把下面的：

(([a-z]{1,8})(-[a-z]{1,8})*)

改成：

((?:[a-z]{1,8})(?:-[a-z]{1,8})*)

简单来说，模式符号 (?: ... ) 定义了一个不捕获的组：这些小括号仍然可以用来控制优先级，但它们不会在匹配结果的 .groups() 和其他与捕获组相关的特性中留下痕迹。

普通的小括号 ( ... ) 表示一个捕获组。

当然，对于那些你明确不感兴趣的子匹配，使用捕获组是没有必要的。只对你关心的子匹配使用捕获组！-)

Answer 3

你可以使用 ?: 这个操作符来防止正则表达式引擎保存括号里的子模式：

((?:[a-z]{1,8})(?:-[a-z]{1,8})*)

这样会得到以下输出：

re.findall("((?:[a-z]{1,8})(?:-[a-z]{1,8})*)", "x-pig-latin en-us de-de en", re.IGNORECASE)
['x-pig-latin', 'en-us', 'de-de', 'en']

回答你的问题，findall 返回的第一个匹配结果应该是完整的匹配子串。