Python - 错误：后视需要固定宽度的模式

Question

我有一个看起来像这样的字符串：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

我想返回一个删除了某些单词的新字符串，前提是它们前面没有某些其他单词。

例如，我要删除的单词是：

c_out = ["avon", "powys", "somerset","hampshire"]

只有在他们不关注的情况下：

c_except = ["on\s","dinas\s"]

注意：c_out 中可能有多个单词实例，c_except 中可能有多个单词实例。

我个人尝试了'on\s'：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

regexp1 = re.compile(r'(?<!on\s)(avon|powys|somerset|hampshire)')
print("1st Result: ", regexp1.sub('', phrase))
1st Result:  '5  road bradford on avon avon dinas   north'

这正确地忽略了第一个'avon'，因为它前面是'on\s'，它正确地删除了第三个'avon'，但是它忽略了第二个'avon'（它没有删除）。

同理，对于'dinas\s'：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

regexp2 = re.compile(r'(?<!dinas\s)(avon|powys|somerset|hampshire)')
print("2nd Result: ", regexp2.sub('', phrase))
2nd Result:  '5  road bradford on   dinas powys  north '

这会正确地忽略第一个'powys' 并删除第二个（注意'... powys north' 之间的双空格。

我尝试通过以下方式组合这两个表达式：

regexp3 = re.compile(r'((?!on\s)|(?!dinas\s))(avon|powys|somerset|hampshire)')
print("3rd Result: ", regexp3.sub('', phrase))
3rd Result:  5  road bradford on   dinas   north

这错误地删除了每个单词，并完全忽略了'on\s' 或'dinas\s'。

然后我尝试了：

regexp4 = re.compile(r'(?<!on\s|dinas\s)(avon|powys|somerset|hampshire)')
print("4th Result: ", regexp4.sub('', phrase))

得到：

error: look-behind requires fixed-width pattern

我想结束：

Result: '5  road bradford on avon dinas powys  north     '

我看过了：

Why is this not a fixed width pattern? Python Regex Engine - "look-behind requires fixed-width pattern" Error regex: string with optional parts

但无济于事。

我做错了什么？

---

来自 cmets：

regexp5 = re.compile(r'(?<!on\s)(?<!dinas\s)(avon|powys|somerset|hampshire)')
print("5th Result: ", regexp5.sub('', phrase))
5th Result:  5  road bradford on avon avon dinas powys  north 

这又错过了第二个雅芳。

Answer 1

这里有两种方法可以解决这个问题：

链式后视

将一个基于交替的lookbehind转换成几个否定的lookbehind，因为它们之间的逻辑关系将是相同的（AND的逻辑关系）：

import re
phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'
c_except = [r"on\s",r"dinas\s"]
c_out = ["avon", "powys", "somerset","hampshire"]
rx = r"(?<!\b{0})({1})".format(r")(?<!\b".join(c_except), "|".join(c_out))
print(re.sub(rx, "", phrase))

见this Python demo。

捕捉接近

捕获您需要保留的内容并仅匹配您需要删除的内容，并使用 \1 反向引用恢复 Group 1 值：

import re
phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'
c_except = [r"on\s+",r"dinas\s+"]
c_out = ["avon", "powys", "somerset","hampshire"]
rx = r"(\b(?:{0})(?:{1}))|(?:{1})".format(r"|".join(c_except), "|".join(c_out))
print(re.sub(rx, r"\1", phrase))

见another Python demo。

请注意，这种方法是有利的，因为您可以在 c_except 中使用可变宽度模式。

正则表达式看起来像

(\b(?:on\s+|dinas\s+)(?:avon|powys|somerset|hampshire))|(?:avon|powys|somerset|hampshire)

由于\b 字边界，它将匹配on 或dinas 作为整个单词，然后是您需要删除的任何术语，并且由于该部分被包装到捕获组中，您可以参考使用\1 反向引用捕获。在所有其他上下文中，c_out 术语将与 |(?:avon|powys|somerset|hampshire) 模式一起删除。

注意：\1 替换将在 Python 3.5+ 中工作。对于旧版本和 Python 2.x，您需要将其替换为 lambda：

re.sub(rx, lambda m: m.group(1) if m.group(1) else "", phrase)