用 python 正则表达式提取属性值
最近我简单学习 python 的正则表达式，并尝试用它来提取属性值。（1）首先什么叫做提取属性值呢？简单解释下，就是比如一个基于 HTTP 协议的网络 api 接口，会返回的响应头中比如存在 Content-Type 这个字段，它的值举例说是 "text/html; charset=utf-8"，假如我们想知道在这个字符串里面的 charset 属性的值是什么？我们就可以使用正则表达式来做了。当然，有一点可以肯定，对于这个问题，写一个函数使用基于字符串的各种方法，是可以达到目的的，但是需要写的代码量也会比较多。实际上几年前我就是自己手写的这样的函数，但是现在的，我要通过 python 中的正则表达式来完成。同时，我希望把它写得更通用一点，这样我还能让它用于更多的场景中去。所以第一步我们把属性名（这里就是 “charset”）作为函数的参数来传入，假设这个参数叫做 strKey。假如我们需要搜索的是 “charset” 的值，那么正则表达式的 patter 字符串就可以写成（为了方面展示，下面的字符串都不带两边的表示字符串的引号，也就是说下面显示的都是字符串值被 print 出来的字面值效果）：确实就是这么简单，HTTP 协议里也规定了，charset 是一个 token，所以它不会被引号括起来，但是为了用于更广的场景，我们让 strKey 可以被引号括起来，应该怎么写呢，这里我试了半天，发现最佳写法还是这样：([^"\w]charset|"charset")\s*=\s*这样就可以同时匹配 'charset=xxx' 和 '"charset"=xxx" 这样的字符串，但是不会匹配 'mycharset=xxx' 这样的字符串。也就是说 key 的两边有没有引号都可以，都能匹配。同时等于号两边，也可以加任意数量空格（虽然 HTTP 协议规定在 Content-Type 的 params 中，等号两边不能加空格）。此外还要 charset 出现在字符串的起始位置，所以变成：(^charset|[^"\w]charset|"charset")\s*=\s*这样，'key = ' 这个部分就写好了，这个 key 可以被 quoted，也可以不被 quoted。现在我们考虑 'key=' 后面的 value 的部分。 在 HTTP 协议中，规定了 params 的 value 可以是一个 token，或者是一个 quoted string。在 HTTP 协议中的 quoted string 简单说就是两边有引号字符包裹的一个字符串，而且和编程语言中的那种字符串字面值定义不同的是，HTTP 协议中的 quoted string 中中间的那部分是不能包含双引号字符的，这应该是为了解析和解释的简便。这一点不同于编程语言里的字符串常量，是可以通过转义字符，把引号字符也放在字符串中的。实际上这样也为写正则表达式提供了方便性，如果是编程语言中的那种字符串，里面可以包含任何转义字符，这个特性过于灵活，用正则表达式恐怕是几乎没法写的。所以这里只需要考虑 HTTP 协议中规定的简化版 quoted string 就可以了。这里使用到 python 正则表达式中的特性，就是可以通过判断是否存在某个 group 的匹配，来进行分支判断的语法：(^charset|[^"\w]charset|"charset")\s*=\s*(["])?(?(2)([^"]+)\2|([^()<>@.;:\\"/[\]?={}\s]+))这样就可以同时匹配 'charset=utf-8' 和 ‘charset="utf-8"’ 这两种写法了，也就是说 value 部分可以是一个 token（不带引号），可以是一个 quoted string（两边带双引号字符）。除了整体匹配的 group0, 这里一共有 4 个 group，第一个 group 表示 'charset' 部分，第二个 group 是 value 前面的引号字符，第三个 group 是 value 为 quoted string 时脱去两边引号的部分，第四个 group 是 value 为 token 时的值。所以返回属性值的时候，返回 match.group(3) or match.group(4) 就可以了。
10个月宝宝每天需要喝多少奶粉？
