撕破的电话簿：量词

早上一上班，所长已经把昨天写的车牌模式投在了屏幕上。“与其把 \d 写四遍，不如直接写‘四遍’。今天学这个。”这时门开了，胡同里花店的老板抱着一叠湿透的纸走进来。“熟客的电话簿全被雨淋湿了。我扫描后转成了文字，可乱得一塌糊涂。”

OCR 识别出来的名单如下。每个号码的分隔符都不一样，最后一行看着也有点不对劲。

kim   010-0000-1234   04542
lee   010 0000 9876   04545
park  02-0000-5678    04538
choi  010.0000.4321   04539
yoon  1234-5678-9012

用来写“同一个东西出现几次”的语法，叫作量词。今天就用量词来整理这份名单。

3-1. 正好几次：{m} 和 {m,n}（7 分钟）

量词决定紧挨在前面的那一块重复几次。\d{4} 和 \d\d\d\d 是一样的。来把第 2 课的车牌模式缩短一下。

re.findall(r"\d{2}[가-힣]\d{4}", "12가3457 123가4567")   # ['12가3457', '23가4567']

是变短了，可问题也露出来了。2019 年起发行的新式车牌，前面是三位数。从 123가4567 里，它丢掉了开头的 1，只截下了 23가4567。

{m,n} 表示至少 m 次、至多 n 次。把前面改成 \d{2,3}，两位和三位就都能接住了。

re.findall(r"\d{2,3}[가-힣]\d{4}", "12가3457 123가4567")   # ['12가3457', '123가4567']

• 像 {2,3} 这样，逗号前后不要加空格。加了空格就不再是量词了（见下面多特的提醒）。
• 邮政编码是五位数字，写成 \d{5}。

3-2. 以上、以下：{m,} 和 {,n}（6 分钟）

{m,n} 的其中一边可以空着不写。

• {m,}：m 次以上，上不封顶
• {,n}：0 次以上、n 次以下。因为 0 次也可以，所以连一个字符都没有的位置也能匹配

re.findall(r"a{2,}", "a aa aaaa")   # ['aa', 'aaaa']
re.findall(r"\d{3,}", "1 22 333 4444")   # ['333', '4444']
re.findall(r"\d{,2}", "123")        # ['12', '3', '']

最后那个结果末尾的 ''，是在字符串最末尾、数字为 0 个的位置上匹配到的。这种空匹配在 3-6 里细说。

如果 { 不是量词的样子，它就被当成普通字符。a{x} 找的是 a、{、x、} 这四个字符。

re.findall(r"a{x}", "a{x} ax")      # ['a{x}']
re.findall(r"a{2, 3}", "aa a{2, 3}")   # ['a{2, 3}']

3-3. 最常用的三个：* + ?（8 分钟）

最常用的几种次数，各有一个单字符的名字。

re.findall(r"ab*", "a ab abbb")      # ['a', 'ab', 'abbb']
re.findall(r"ab+", "a ab abbb")      # ['ab', 'abbb']
re.findall(r"ab?", "a ab abbb")      # ['a', 'ab', 'ab']
re.findall(r"colou?r", "color colour colouur")   # ['color', 'colour']

? 正适合“可有可无的字符”。名单里的手机号，分隔符有连字符、空格、句点，各不相同。把分隔符的位置写成 [-. ]?，三者有一个也行，完全没有也行。

re.findall(r"010[-. ]?\d{4}[-. ]?\d{4}", phonebook)
# ['010-0000-1234', '010 0000 9876', '010.0000.4321']

照第 2 课学的，方括号里的 . 是真正的句点，- 在最前面，所以也是字符本身。

3-4. 量词只管紧挨在前面的那一块（5 分钟）

量词只作用于紧挨在前面的那一块。一块，指的是一个字符、一个方括号字符类，或者一个 \d 这样的简写。所以 ab+ 不是“ab 重复多次”，而是“a 后面跟着多个 b”。

re.findall(r"ab+", "abbb abab")      # ['abbb', 'ab', 'ab']
re.fullmatch(r"ab+", "abab")         # None
re.fullmatch(r"(ab)+", "abab")       # <re.Match object; span=(0, 4), match='abab'>

想让多个字符一起重复，就用括号把它们包成一块。(ab)+ 是“ab 出现 1 次以上”。括号除了打包以外还有一个重要的作用，第 5 课再学。

re.fullmatch 只有在整个字符串都符合模式时才匹配。具体区别第 4 课再讲。

3-5. 量词很贪心（4 分钟）

量词默认是贪婪的（greedy）：在允许的范围内，能拿多少就拿多少。

re.search(r"\d+", "tel 0100000")     # <re.Match object; span=(4, 11), match='0100000'>
re.search(r"\d{2,4}", "123456")      # <re.Match object; span=(0, 4), match='1234'>
re.findall(r"\d{2,4}", "123456")     # ['1234', '56']

\d{2,4} 两位也行，但它先拿走四位。只有后面的模式失败时，它才一个一个地吐回来。这种“吐回来再试一次”叫作回溯，到了第 8 课，它就是让事务所停摆的元凶。少拿一点的懒惰量词 +?，也到那时再学。

3-6. 全部找出来：findall 和 finditer（10 分钟）

现在把整份名单里找到的东西收集起来。假设上面的名单存放在字符串 phonebook 里。

re.findall 把匹配到的文字以字符串列表的形式返回。这是模式里没有括号时的行为；有括号时怎样，第 5 课再看。

re.findall(r"\d{5}", phonebook)     # ['04542', '04545', '04538', '04539']

re.finditer 返回一个逐个取出 Match 对象的迭代器。连位置（span）都需要时就用它。

for m in re.finditer(r"\d{5}", phonebook):
    print(m.group(), m.span())
# 04542 (22, 27)
# 04545 (50, 55)
# 04538 (78, 83)
# 04539 (106, 111)

• 迭代器是需要时才一个个去找，所以即使字符串很长也省内存。
• 迭代器用完一遍就没了。想再遍历一次，就重新调用 re.finditer。

这里要小心的是空匹配。*、?、{,n} 都允许 0 次，所以在一个字符都没有的位置也能匹配成功。findall 也会把这种空匹配当作 '' 放进结果里。

re.findall(r"\d*", "a12b")    # ['', '12', '', '']
re.findall(r"\d+", "a12b")    # ['12']

a 前面一个空匹配，然后是 12，b 前面一个空匹配，字符串末尾又一个空匹配。要收集什么东西时，就用不允许 0 次的 + 或 {1,}。

破案（10 分钟）

电话号码是：区号或开头 23 位，中间 34 位，最后 4 位。分隔符可有可无。邮政编码是五位数。

phones = re.findall(r"\d{2,3}[-. ]?\d{3,4}[-. ]?\d{4}", phonebook)
print(phones)
# ['010-0000-1234', '010 0000 9876', '02-0000-5678', '010.0000.4321', '234-5678-9012']

postcodes = re.findall(r"\d{5}", phonebook)
print(postcodes)   # ['04542', '04545', '04538', '04539']

四个电话号码和四个邮政编码都收齐了。可第五个“电话号码” 234-5678-9012 是什么？花店老板看了一眼屏幕，摇摇头：“那不是电话号码，是我记下的银行卡号。”

re.search(r"\d{2,3}[-. ]?\d{3,4}[-. ]?\d{4}", "yoon  1234-5678-9012")
# <re.Match object; span=(7, 20), match='234-5678-9012'>

模式跳过了 1234 的第一个字符 1，从数字正中间的第 7 号位置开始匹配。这和 3-1 里的 23가4567 是同一种事故。

所长盯着最后一行看了很久。“从数字中间开始了。这个模式不知道号码从哪儿开始、到哪儿结束。”下一课，就来学怎样把这个边界写进模式里。

练习

1. 先猜猜 \d{2,3}[-. ]?\d{3,4}[-. ]?\d{4} 在 01000001234（没有分隔符的号码）里会找到什么，再运行看看。
2. 猜猜 re.findall(r"\d?", "a1") 的结果。空字符串有几个？
3. 用 re.finditer 找出名单里的电话号码，每行打印出号码和它的起始位置。