为什么 (?:...) 正则表达式对于 re.match 和 re.findall 的行为不同？

Question

我正在研究一个 CS50 问题，您必须找到连续重复的字符串模式（DNA 序列中的核苷酸）。我想我会使用re，因为它是 Python3 分配的，我之前已经对其进行了一些修改，并认为我可以解决它......但是不。

所以我搜索了如何实现这一点，并找到了一个用户建议使用 re.findall("(?:<pattern>)+", <string>) 的主题，而这正是我解决问题所需要的。

所以我对 ?: 表达式感到好奇并查阅了文档，但无法理解 non-capturing group 的含义，并且当我找到使用字符串的解释时，我不得不再次四处寻找答案由一个网址组成。

在这个特定示例中，用户使用的是re.match：

"(?:https?|ftp)://(stackoverflow.com)"

output:
    group1: (stackoverflow.com)
vs

"(https?|ftp)://(stackoverflow.com)"

output:
    group1: (https)
    group2: (stackoverflow.com)

此时我明白了非捕获意味着什么......但现在我不明白为什么?: 对re.match 和re.findall 的行为不同，其中匹配对象，如官方文档中所述，确实如此re.findall 方法返回的列表似乎捕获了匹配的子字符串并将连续重复分组为一个，而不捕获指示的组。

我最好的猜测是，由于它是非捕获的，因此该方法会继续连续查找匹配的子字符串，一旦结束，它就会“关闭”组，这就是为什么重复的子字符串被分组为一个的原因。但我仍然不知道为什么 re.findall 返回不应该被捕获的内容，如果有人能指出我正确的方向，我真的很感激。

Answer 1

正则表达式中的“捕获组”通常用括号表示。在这样的正则表达式中：

<before>(<capture>)<after>

“捕获组”是(<capture>)，这意味着这是我们真正想要的字符串部分 - 正则表达式的其余部分旨在针对该部分。我们需要这个来捕捉，比如说，“数字后跟'美元'”：

(\d+)\s*dollar

---

re.match() 返回一个Match 对象，它有几个“组”，您可以使用.group(n) 方法访问。

• 组 0 始终包含整个匹配字符串，无论其中包含任何“匹配组”。在上面的示例中，与字符串 "35 dollar item" 匹配，它将是“35 美元”。
• n > 0 组包含 正则表达式中的第 n 个捕获组。在上面的例子中，匹配字符串"35 dollar item"，它就是"35"。

re.findall() 的行为因正则表达式中捕获组的数量而异：

• 如果没有捕获组，则返回与整个正则表达式匹配的所有字符串的列表（例如.group(0)）
• 如果只有一个捕获组，则返回与该捕获组匹配的所有字符串的列表（例如.group(1)）
• 如果有多个捕获组，则返回(.group(1), .group(2), ..., .group(n)) 的元组列表。

---

非捕获组的想法是有时我们希望使用需要括号来消除歧义的表达式。最常见的是|。例如，如果我想获取“先生”称呼的某人的姓氏（而不是头衔）。或“女士”，我可能会像这样写一个正则表达式：

(?:Mr|Ms)\.\s*(\w+)

(?:Mr|Ms) 是一个非捕获组，因此它不会被视为自己的组（例如.group(1)）。同时，(\w+) 是一个捕获组，因此 将被视为自己的组。从那里，我们可以观察re.match() 和re.findall() 的行为，并查看它们是否与其文档一致：

>>> regex = r'(?:Mr|Ms)\.\s*(\w+)'
>>> mo = re.match(regex, 'Mr. Big and Ms. Small')
>>> mo.group(0)
'Mr. Big'
>>> mo.group(1)
'Big'
>>> re.findall(regex, 'Mr. Big and Ms. Small')
['Big', 'Small']

因为只有一个捕获组，re.findall() 忽略组 0。

以下对比行为，将Mr 和Ms 注册为捕获组，从而产生不同的输出（由于现在有多个捕获组，因此re.findall() 更改其输出格式：

>>> regex2 = r'(Mr|Ms)\.\s*(\w+)'  # omitting the ?:
>>> re.findall(regex2, 'Mr. Big and Ms. Small')
[('Mr', 'Big'), ('Ms', 'Small')]