3.2 多选结构

上一节中用[1-9]\d{14}(\d{2}[\dx])?匹配身份证号，思路是把18位号码中多出的3位“合并”到匹配15位号码的表达式中。这里也可以分情况处理：

情况	表达式
15位身份证	[1-9]\d{14}
18位身份证	[1-9]\d{16}[\dx]

这两种情况只要有一个能匹配，就是合法的身份证号。需要用到括号的另一个功能：多选结构（alternative）。

多选结构的形式是(...|...)，在括号内部用竖线|分隔开多个子表达式，这些子表达式也叫做多选分支（option）；在一个多选结构内，多选分支的数量没有限制。在匹配时，整个多选结构就视为一个元素，只要其中某个子表达式能够匹配，整个多选结构就匹配成功；如果所有子表达式都不能匹配，则整个多选结构就匹配失败。多个子表达式之间是或的关系。

例3-9 用多选结构匹配身份证

idCardRegex = re.compile(r'^([1-9]\d{14}|[1-9]\d{16}[\dx])$')
print(idCardRegex.search('14112219900111022x'))
print(idCardRegex.search('123451234512345'))

多选结构在实际中经常遇到，比如匹配IP地址：IP地址（暂不考虑ipv6）分为四段，每段都是八位二进制数，换算成常见的是禁止，取值在0～255之间，之间以点号分割。

匹配一段数值在0～255之间的文本，思路如下：

情况	表达式
如果是一位数，那么，对数字没有限制	[0-9]
如果是二位数，那么，对数字没有限制	[0-9]{2}
如果是三位数，有三种情况	1[0-9][0-9]
	2[0-4][0-9]
	25[0-5]

如果文本符合其中任何一条规则，就可以判断“文本表示的数字在0～255之间”。正则表达式可以写为：^([0-9]|[0-9]{2}|1[0-9][0-9]|2[0-4][0-9]|25[0-5])$。

匹配时间的正则：

时间	表达式
月	`(0?[1-9]	1[012])`
日	`(0?[1-9]	[12]\d	3[01])`
小时	`(0?\d	[01]\d	2[0-4])`
分钟	`(0?\d	[1-5]\d	60)`

匹配手机号码：大陆手机号是11位，前三位是号段，到目前为止号段有130～139、150～153、155～156、180、182、185～189，后面8位无限制，再加上开头可能出现的0或+86，正则表达式可以写为：(0|+86)(13[0-9]|15[0-356]|18[025-9])\d{8}。

多选结构还可以处理更复杂的问题，比如上一章的tag匹配问题，当时使用的表达式为<[^>]+>，但如果遇到tag内部出现>，比如<input name='xxx' value='>'>。这类问题字符组解决不了，需要用到多选结构。

仔细分析tag中的>之可能作为属性（attribute）出现在单引号字符串和双引号字符串中。根据html规范，引号字符串中不能出现嵌套转义的引号，所以单引号字符串可以用'[^']*'来匹配，双引号字符串可以用"[^"]*"来匹配，相应的，tag中的其他内容可以由[^'"]来匹配。所以最终版tag表达式为<('[^']*'|"[^"]*"|[^'"])+>。

注意其中的量词，因为单引号字符串和双引号字符串都可以是空字符串，比如alt=''或alt=""，所以匹配其中文本的内容使用*；而[^'"]则没有使用量词，因为它存在于多选结构中，做选结构外部有+限制，保证它不只匹配一个字符。

关于多选结构，最后还要补充三点：

• 多选结构一般表示法为(option1|option2)，但是如果没有出现括号()，只出现竖线|，仍然是多选结构。

  re.search(r"ab|cd", 'ab')  # True
  re.search(r"ab|cd", 'cd')  # True
  

  因为在多选结构中，竖线用来分隔多选分支，而括号用来贵定整个多选结构的范围，如果没有出现括号，则将整个表达式视为一个多选结构。所以ab|cd等价于(ab|cd)。

  因为竖线|的优先级很低，所以^ab|cd$其实是(^ab|cd$)，而不是^(ab|cd)$，它的真正意思是“ab开头或cd结尾的字符串”，而不是“只包含ab或cd的字符串”。

  print(re.search(r'^ab|cd$', 'abxxx'))  # True
  print(re.search(r'^ab|cd$', 'xxxcd'))  # True
  print(re.search(r'^(ab|cd)$', 'abc'))  # False
  print(re.search(r'^(ab|cd)$', 'bcd'))  # False
  

• 多选分支并不等于字符组。多选分支看起来类似字符组，比如[abc]能匹配的字符串和(a|b|c)一样。理论上说，可以用多选结构来代替字符组，但这种做法并不推荐。理由在于：首先[abc]比(a|b|c)要简洁需要，在多选结构中的每个分支都必须列出来，不能使用类似字符组中的-范围表示法；其次，大多数情况下，[abc]比(a|b|c)的效率高很多。所以，能用字符组解决的问题，最好不用等价的多选结构。

  反过来，多选结构也不能由字符组代替。因为字符组的每个“分支”长度相同，且必须是单个字符；而多选结构的每个“分支”没有长度限制，甚至可以是复杂的表达式，字符组完全无能为力。

  多选分支和字符组的另一点重要区别：排除型字符组可以表示“无法由某几个字符匹配的字符”，多选结构却没有对应的结构表示“无法由某几个表达式匹配的字符串”。这个需求的实现方法会在后面的章节中讲到。

• 多选结构的分支排列是有讲究的。比如这个表达式(jeff|jeffery)，用它匹配jeffery，结果到底是jeff还是jeffery呢？在大多数语言中，多选结构都会优先选择最左侧的分支。

  print(re.search(r'(jeff|jeffrey)', 'jeffrey'))  # jeff
  print(re.search(r'(jeffrey|jeff)', 'jeffrey'))  # jeffrey
  

  在实际开发中可能会遇到这种情况：统计一段文本中“湖南”和“湖南省”分别出现的次数。如果直接查找“湖南”，可能会将“湖南省”中的“湖南”也找出来，如果使用多选结构(湖南省|湖南)，就可以一次性找出所有的“河南”和“河南省”，再按照字符串长度分别计数，就可以得到两者出现的次数了。

  在平时使用中，如果出现多选结构，应当尽量避免多选分支中出现重复匹配，因为这样会大大增加回溯的计算量。也就是说，要避免这样的情况：针对多选结构(option1|option2)，某段文本既可以由option1匹配，也可以由option2匹配。如果出现了这样的多选结构，效率可能会收到极大影响。