正規表示式：描述「空白或是數字」

今天遇到一個 bug：一個用來抽取 iso 檔案並加以分析的 python script，錯誤回報說在該 iso 找不到必要的檔案 intrd.lz ，但我手動使用指令去抽取該 iso 檔，確認了裡面明明就有這個檔案。

後來發現 bug 在於以往成功提取資訊的時候，該 script 利用下面正規表示，分析下面的字串：

file_re = re.compile(

    "(?P[ldrwx-]{10})\s+\d+\s+\d+\s+\d+\s+\d+\s[A-Za-z]{3}"+ 

    "\s+\d+\s\d+\s+\[\s+\d+\s\d\d\](\s\s(?P.*))?")

其實就是這串

(?P[ldrwx-]{10})\s+\d+\s+\d+\s+\d+\s+\d+\s[A-Za-z]{3}\s+\d+\s\d+\s+\[\s+\d+\s\d\d\](\s\s(?P.*))?

去分析

-r--r--r--   1    0    0        16242610 Aug  9 2013 [ 601511 00]  initrd.lz

目的是希望可以分別找出匹配字串「-r--r--r--」與「initrd.lz」。


而出問題的是，當 script 嘗試去分析這個字串的時候，沒有得到預期的答案。

-r--r--r--   1    0    0        16437443 Nov 12 2013 [1062241 00]  initrd.lz

請注意會引起問題的字串中，有個被標示成紅色的「1」，相對於不會引起問題的字串，那個地方是個空白。所以要解決這個 bug ，只要把原本硬性描述「該空白處必須是一個或是多個空白」而使用「\s+」，換成「該地方可以是空白或是數字」。

以下兩個方法在這個問題中等價，都可以匹配出第一個 pattern 是 「-r--r--r--」而第二個是「initrd.lz」。

原本的字串：標紅色表示要被修改的部份

(?P[ldrwx-]{10})\s+\d+\s+\d+\s+\d+\s+\d+\s[A-Za-z]{3}\s+\d+\s\d+\s+\[\s+\d+\s\d\d\](\s\s(?P.*))?



解法一：改成「一個空白」加上一個星號

(?P[ldrwx-]{10})\s+\d+\s+\d+\s+\d+\s+\d+\s[A-Za-z]{3}\s+\d+\s\d+\s+\[ *\d+\s\d\d\](\s\s(?P.*))?



解法二：注意「0-9」的前面也有一個空白，使用數字 5、8 是給實際數字位數一點容忍量，在這個案例中，一個 7 就夠用了。

(?P[ldrwx-]{10})\s+\d+\s+\d+\s+\d+\s+\d+\s[A-Za-z]{3}\s+\d+\s\d+\s+\[[ 0-9]{5,8}\s\d\d\](\s\s(?P.*))?

附錄資料：

• 好用的線上正規表示式解讀器；若完全只用人腦翻譯真的實在太辛苦了。
• https://atedev.wordpress.com/2007/11/23/%E6%AD%A3%E8%A6%8F%E8%A1%A8%E7%A4%BA%E5%BC%8F-regular-expression/
• http://notepad.yehyeh.net/Content/Program/RegularExpression/8.php
• http://zh.wikipedia.org/wiki/%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F
• http://stackoverflow.com/questions/18701992/regex-space-or-no-space
• python 2 的 re module 說明文件
• 簡易語法參考：
• \s 一個空白，\s+ 多個空白
• \d 一個數字，\d+ 多個數字
• \[ 跳脫字元和一個「[」，表示我想要匹配「[」
• * 星號表示星號前面的元素有沒有出現、而且可以出現多次。一個空白加一個星號就是「有沒有空白無所謂，也可以有多個空白」
• [ 0-9]{5,8}  允許一個空白（注意 0 前面有個空白）、數字零到九，並且只匹配出現那樣的元素 5 到 8 個。