如何使用正则表达式来识别论坛上不同人的帖子？答案

【问题标题】：How to use regex to identify posts by different people on a forum?如何使用正则表达式来识别论坛上不同人的帖子？
【发布时间】：2019-06-24 07:05:39
【问题描述】：

我正在尝试使用正则表达式来识别不同学生的帖子。

帖子始终采用以下形式：

“U3951583\n 你好，我的名字是 Harry。查看 http://www.harryresume.com。那是我的网站。 \n U39501492\n 那是很酷的网站。 \n U5235098\n 我也去看看”

因此学生证可以是 7-8 个数字。
学生可以发帖任何事物。单词、数字、标点符号等。
我们不知道有多少帖子将有多少人。

如何使用正则表达式创建一个列表，其中的元素是每个学生按发布顺序发布的帖子。

学生可以发布任何内容，所以我使用 [\s\S]+ 来捕捉它。我的尝试是：re.findall('(U\d+\n[\s\S]+?)',text)。然而，这只返回学生的 ID 而不是他们的文本：['U3951583\n ', 'U39501492\n ', 'U5235098\n ']

在这种情况下如何使用正则表达式匹配？

【问题讨论】：

确切的 Python 版本是什么？
Python 3.6.8（默认，2019 年 1 月 14 日，11:02:34）
可能是你的非贪心匹配模式不够贪心。
请检查下面的答案，如果有任何适合您的方法，或者您需要更多帮助/说明，请告知。

标签： python regex python-3.x

【解决方案1】：

您可以使用re.findall 方法：

import re
txt = "U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. \n U39501492\n That's a cool website. \n U5235098\n I'll have a look too"
print(re.findall(r'\bU\d{7,8}\b.*?(?=\bU\d{7,8}\b|\Z)', txt, re.S))
# => ["U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. \n ", "U39501492\n That's a cool website. \n ", "U5235098\n I'll have a look too"]

见Python demo

分别获取名称和内容的变体：

for name, content in re.findall(r'\b(U\d{7,8})\b(.*?)(?=\bU\d{7,8}\b|\Z)', txt, re.S):
    print("{}:{}".format(name.strip(), content.strip()))

输出：

U3951583:Hi there my name is Harry. Check out http://www.harryresume.com. That's my website.
U39501492:That's a cool website.
U5235098:I'll have a look too

见this Python demo

使用的正则表达式是

\b(U\d{7,8})\b(.*?)(?=\bU\d{7,8}\b|\Z)

见regex demo

详情

\b - 单词边界（没有字母/数字/_ 可以立即出现在当前位置的左侧）
(U\d{7,8}) - 第 1 组：U 和 7 位或 8 位数字
\b - 单词边界
(.*?) - 第 2 组：任何 0+ 个字符，尽可能少
(?=\bU\d{7,8}\b|\Z) - 正向前瞻，要求上述模式（名称模式）紧邻当前位置的右侧或 (|) 字符串结尾 (\Z)。

Python 3.7+

在最新的 Python 版本中，您可以使用与空字符串匹配的模式 re.split：

>>> import re
>>> txt = "U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. 
\n U39501492\n That's a cool website. \n U5235098\n I'll have a look too"
>>> print(re.split(r'(?!^)(?=\bU\d{7,8}\b)', txt))
["U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. \n ", "U3
9501492\n That's a cool website. \n ", "U5235098\n I'll have a look too"]

因此，如果您不需要单独获取名称和内容，这可能是一种更简单的方法。

【讨论】：

@AbdulNiyasPM 所有解释都已添加。
能否请您解释一下 re.split 示例中的 (?!^)？
@SarahHolder (?!^) = 不在字符串的开头

【解决方案2】：

您可以匹配 U 和 7-8 位数字，然后是不以相同模式开头的行。

\bU\d{7,8}(?:\r?\n(?![ ]*U\d{7}).*)*

说明

\bU\d{7,8}字边界，匹配U后跟7-8位数字
(?:非捕获组
- \r?\n匹配换行符
- (?! 负前瞻，断言右边的不是
  - [ ]*\bU\d{7} 匹配 0+ 次空格，后跟单词边界、U 和 7 位数字
- ).* 关闭负前瞻并匹配任何字符 0+ 次
)* 关闭非捕获组并重复 0+ 次以匹配以下所有行

例如

import re

s = "U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. \n U39501492\n That's a cool website. \n U5235098\n I'll have a look too"
regex = r"\bU\d{7,8}(?:\r?\n(?![ ]*U\d{7}).*)*"

print(re.findall(regex, s))

结果

["U3951583\n Hi there my name is Harry. Check out http://www.harryresume.com. That's my website. ", "U39501492\n That's a cool website. ", "U5235098\n I'll have a look too"]

Regex demo | Python demo

【讨论】：

【解决方案3】：

尝试使用这个正则表达式：

\d{7,8}

Here Is Demo

祝你好运！

【讨论】：