今天遇到一個奇怪的正規表示法 (regular expression) 的問題…

專案程式裡面為了方便，定義了一些簡單的 regular expression 的字串，

再用這些簡單的字串組成比較複雜的定義～

舉例來說，下面的程式定義了 letters 和 digits 兩個正規表示式，

接著用 | 把這兩個表示式連接起來變成 letters_and_digits，

表示只要符合 letters 或是 digits 的表示法都可以：

import re
letters = r'[a-zA-Z]+'
digits = r'\d+'
letters_and_digits = r'(?:letters)|(?:digits)'.replace('letters', letters).replace('digits', digits)
regex = re.compile("^%s$" % (letters_and_digits))
print regex.match("123")
print regex.match("abc")
print regex.match("abc123")

預期的結果是 123 是屬於 digits，abc 是屬於 letters，所以應該都是 True，

而 abc123 應該不能符合 (因為我們有指定 ^ 和 $，預期是要整個字串都符合 letters 或是都符合 digits)，

但結果卻出人意料～三個敘述的結果都是 True，是怎麼一回事呢？

仔細看了一下，原來我們加上 ^ 和 $ 的方法有問題，

上面的寫法會變成有點像是下面這樣 (省略了 replace 的部分)：

regex = re.compile("^(?:letters)|(?:digits)$")

這個正規表示法的意思，是開頭要符合 letters、或者是以 digits 結尾，

如果再使用 match() 的話，會強制從字串的最開頭開始比對，

因此就是要開頭要符合 letters、或是開頭到結尾都是 digits～

這樣就能解釋為什麼 “abc123” 會符合了，因為它的開頭 abc 是符合 letters 的～

要解決這個問題，在前面都加上 () 包住正規表示式後，再加上 ^ 和 $ 就行了，

也就是把 re.compile 那行改成：

regex = re.compile("^(%s)$" % (letters_and_digits))

結論：正規表示法雖然可以串接，但是要很小心呀～～

參考資料：python: re.match()