您很可能见过罗马数字，即使您可能没有意识到。您可能在老电影和电视节目的版权声明中看到过它们（“版权所有 MCMXLVI”而不是“版权所有 1946”），或者在图书馆或大学的落成纪念墙上看到过它们（“建于 MDCCCLXXXVIII”而不是“建于 1888”）。您可能还在提纲和参考文献中看到过它们。这是一种表示数字的系统，它的历史可以追溯到古罗马帝国（因此得名）。
在罗马数字中，有七个字符以各种方式重复和组合来表示数字。
- I = 1
- V = 5
- X = 10
- L = 50
- C = 100
- D = 500
- M = 1000
以下是构造罗马数字的一些一般规则
- 字符是累加的。I 是 1，II 是 2，III 是 3。VI 是 6（字面意思是“5 加 1”），VII 是 7，VIII 是 8。
- 十位字符（I、X、C 和 M）可以重复最多三次。在 4 时，您需要从下一个更高的五位字符中减去。您不能将 4 表示为 IIII；相反，它表示为 IV（“比 5 少 1”）。数字 40 写作 XL（比 50 少 10），41 写作 XLI，42 写作 XLII，43 写作 XLIII，然后 44 写作 XLIV（比 50 少 10，然后 比 5 少 1）。
- 类似地，在 9 时，您需要从下一个更高的十位字符中减去：8 是 VIII，但 9 是 IX（比 10 少 1），而不是 VIIII（因为 I 字符不能重复四次）。数字 90 是 XC，900 是 CM。
- 五位字符不能重复。数字 10 总是表示为 X，而不是 VV。数字 100 总是 C，而不是 LL。
- 罗马数字总是从高位写到低位，从左到右读取，因此字符的顺序非常重要。DC 是 600；CD 是一个完全不同的数字（400，比 500 少 100）。CI 是 101；IC 甚至不是一个有效的罗马数字（因为您不能直接从 100 中减去 1；您需要将其写成 XCIX，表示 比 100 少 10，然后 比 10 少 1）。
如何验证任意字符串是否是有效的罗马数字？让我们逐位分析。由于罗马数字总是从高位写到低位，让我们从最高位开始：千位。对于 1000 及以上的数字，千位由一系列 M 字符表示。
示例 7.3. 检查千位
>>> import re >>> pattern = '^M?M?M?$'>>> re.search(pattern, 'M')
<SRE_Match object at 0106FB58> >>> re.search(pattern, 'MM')
<SRE_Match object at 0106C290> >>> re.search(pattern, 'MMM')
<SRE_Match object at 0106AA38> >>> re.search(pattern, 'MMMM')
>>> re.search(pattern, '')
<SRE_Match object at 0106F4A8>
|
|
此模式包含三个部分
|
|
|
re 模块的本质是 search 函数，它接受一个正则表达式 (pattern) 和一个字符串 ('M')，并尝试将字符串与正则表达式进行匹配。如果找到匹配项，则 search 返回一个对象，该对象具有描述匹配项的各种方法；如果未找到匹配项，则 search 返回 None，即 Python 的空值。您目前只关心模式是否匹配，这可以通过查看 search 的返回值来判断。'M' 匹配此正则表达式，因为第一个可选的 M 匹配，而第二个和第三个可选的 M 字符被忽略。 |
|
|
'MM' 匹配，因为第一个和第二个可选的 M 字符匹配，而第三个 M 被忽略。 |
|
|
'MMM' 匹配，因为所有三个 M 字符都匹配。 |
|
|
'MMMM' 不匹配。所有三个 M 字符都匹配，但是正则表达式坚持字符串必须结束（因为有 $ 字符），而字符串还没有结束（因为有第四个 M）。所以 search 返回 None。 |
|
|
有趣的是，空字符串也匹配此正则表达式，因为所有 M 字符都是可选的。 |
百位比千位更困难，因为根据其值，它可以用几种互斥的方式表示。
- 100 = C
- 200 = CC
- 300 = CCC
- 400 = CD
- 500 = D
- 600 = DC
- 700 = DCC
- 800 = DCCC
- 900 = CM
所以有四种可能的模式
- CM
- CD
- 零到三个 C 字符（如果百位为 0，则为零）
- D，后跟零到三个 C 字符
最后两种模式可以组合
- 一个可选的 D，后跟零到三个 C 字符
此示例显示了如何验证罗马数字的百位。
示例 7.4. 检查百位
>>> import re >>> pattern = '^M?M?M?(CM|CD|D?C?C?C?)$'
|
|
此模式的开头与前一个模式相同，检查字符串的开头 (^)，然后是千位 (M?M?M?)。然后是新部分，用括号括起来，它定义了一组三个互斥的模式，用竖线分隔：CM、CD 和 D?C?C?C?（这是一个可选的 D，后跟零到三个可选的 C 字符）。正则表达式解析器按顺序（从左到右）检查这些模式中的每一个，采用第一个匹配的模式，并忽略其余的。 |
|
|
'MCM' 匹配，因为第一个 M 匹配，第二个和第三个 M 字符被忽略，并且 CM 匹配（因此 CD 和 D?C?C?C? 模式甚至从未被考虑）。MCM 是 1900 的罗马数字表示形式。 |
|
|
'MD' 匹配，因为第一个 M 匹配，第二个和第三个 M 字符被忽略，并且 D?C?C?C? 模式匹配 D（三个 C 字符中的每一个都是可选的，并且被忽略）。MD 是 1500 的罗马数字表示形式。 |
|
|
'MMMCCC' 匹配，因为所有三个 M 字符都匹配，并且 D?C?C?C? 模式匹配 CCC（D 是可选的，并且被忽略）。MMMCCC 是 3300 的罗马数字表示形式。 |
|
|
'MCMC' 不匹配。第一个 M 匹配，第二个和第三个 M 字符被忽略，并且 CM 匹配，但是 $ 不匹配，因为您还没有到达字符串的末尾（您还有一个未匹配的 C 字符）。C不 作为 D?C?C?C? 模式的一部分匹配，因为互斥的 CM 模式已经匹配。 |
|
|
有趣的是，空字符串仍然匹配此模式，因为所有 M 字符都是可选的并且被忽略，并且空字符串匹配 D?C?C?C? 模式，其中所有字符都是可选的并且被忽略。 |
呼！看到了吗？正则表达式可以很快变得多么复杂？而您只学习了罗马数字的千位和百位。但是，如果您理解了所有这些，那么十位和个位就很简单了，因为它们是完全相同的模式。但是，让我们看看另一种表达模式的方法。