Python正则表达式：贪婪模式返回多个空匹配

Question

这种模式只是简单地抓取字符串中的所有内容，直到数据中第一个潜在的句子边界：

[^\.?!\r\n]*

输出：

>>> pattern = re.compile(r"([^\.?!\r\n]*)")
>>> matches = pattern.findall("Australians go hard!!!") # Actual source snippet, not a personal comment about Australians. :-)
>>> print matches
['Australians go hard', '', '', '', '']

来自 Python 文档：

re.findall(pattern, string, flags=0)

返回字符串中所有不重叠的模式匹配，作为一个列表 字符串。从左到右扫描字符串，并返回匹配项 按照找到的顺序。如果模式中存在一个或多个组， 返回组列表；这将是一个元组列表，如果模式 有多个组。结果中包含空匹配项 除非他们触及另一场比赛的开始。

现在，如果从左到右扫描字符串并且 * 运算符是贪婪的，那么返回的第一个匹配项是直到感叹号的整个字符串是完全合理的。但是，在消耗完该部分之后，我看不到该模式如何准确地产生四次空匹配，大概是通过在“d”之后向左扫描字符串。我明白 * 运算符意味着这个模式可以匹配空字符串，我只是不明白它会如何在字母的尾随“d”和前导“！”之间多次这样做。标点符号。

添加 ^ 锚点有这样的效果：

>>> pattern = re.compile(r"^([^\.?!\r\n]*)")
>>> matches = pattern.findall("Australians go hard!!!")
>>> print matches
['Australians go hard']

由于这消除了空字符串匹配，这似乎表明所述空匹配发生在字符串的前导“A”之前。但这似乎与按照找到的顺序返回匹配项的文档相矛盾（前导“A”之前的匹配项应该是第一个），而且，恰好四个空匹配项让我感到困惑。

Answer 1

* 量词允许模式捕获长度为零的子字符串。在您的原始代码版本中（前面没有 ^ 锚点），其他匹配项是：

• hard 结尾和第一个 ! 之间的零长度字符串
• 第一个和第二个!之间的零长度字符串
• 第二个和第三个!之间的零长度字符串
• 第三个!和文本结尾之间的零长度字符串

如果你喜欢here，你可以进一步切片/切块。

现在将 ^ 锚点添加到前面可确保只有单个子字符串可以匹配该模式，因为输入文本的开头恰好出现一次。