python match 只捕获第一组和最后一组 - 我误解了什么吗？

Question

我正在编写一个应该与一系列作者匹配的小 Python 脚本，为此我使用了re-module。我遇到了一些意想不到的事情，我已经能够将其简化为以下非常简单的示例：

>>> import re
>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> word = r'\$(word\d)\$'
>>> m = re.match(word+'(?:, ' + word + r')*', s)
>>> m.groups()
('word1', 'word4')

所以我定义了一个“基本”正则表达式，它与我输入的主要部分相匹配，具有一些可识别的特征（在这种情况下，我使用了$-signs），然后我尝试匹配一个单词加上一个可能的单词额外的单词列表。

我原以为 m.groups() 会显示：

>>> m.groups()
('word1', 'word2', 'word3', 'word4')

但显然我做错了什么。我想知道为什么这个解决方案不起作用以及如何更改它，以便我得到我正在寻找的结果。顺便说一句，这是在 Linux 机器上使用 Python 2.6.6，以防万一。

Answer 1

虽然您正在匹配每个$word#$，但第二个捕获组不断被最后一个匹配的项目替换。

我们来看看调试器：

>>> expr = r"\$(word\d)\$(?:, \$(word\d)\$)*"
>>> c = re.compile(expr, re.DEBUG)
literal 36
subpattern 1
  literal 119
  literal 111
  literal 114
  literal 100
  in
    category category_digit
literal 36
max_repeat 0 65535
  subpattern None
    literal 44
    literal 32
    literal 36
    subpattern 2
      literal 119
      literal 111
      literal 114
      literal 100
      in
        category category_digit
    literal 36

如您所见，只有 2 个捕获组：subpattern 1 和 subpattern 2。每次找到另一个$word#$ 时，subpattern 2 就会被覆盖。

至于潜在的解决方案，我建议使用re.findall() 而不是re.match()：

>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> authors = re.findall(r"\$(\w+)\$", s)
>>> authors
['word1', 'word2', 'word3', 'word4']

Answer 2

您的正则表达式中只有两个捕获组。请改用re.findall(word, s)。

regex module 支持重复捕获。

Answer 3

当您有可选或重复的捕获组时，如您所做的那样：

(?:, \$(word\d)\$)*

该正则表达式只有一个位置用于返回该组中捕获的文本，尽管它与您的字符串的 3 个部分匹配，因此它包含 last 这样的子字符串。

要查找所有子字符串，您可以使用findall 或在其他分隔符上标记字符串。

Answer 4

你可以避免这样的正则表达式：

>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> s.replace('$','').split()
['word1,', 'word2,', 'word3,', 'word4']

使用正则表达式，您可以改用findall()：

>>> re.findall(word, s)
['word1', 'word2', 'word3', 'word4']