Python 正则表达式 - 模式匹配答案

【问题标题】：Python Regular Expression - Pattern MatchingPython 正则表达式 - 模式匹配
【发布时间】：2012-10-25 15:29:56
【问题描述】：

这是我第一次使用正则表达式进行模式匹配，所以任何帮助表示赞赏。

我正在尝试在字符串中搜索以下子字符串：

"(TPU 1-999)
http://somewebaddress.com"

我想将TPU、1-999 和链接保留为单独的子字符串。

这是我正在使用的模式：

^\s{3}\(([AEINPRSTUW]{3})\s(\d{1,3}.\d{2,5})\)$^\s{3}(http+\s{1,100})$

我会分解来解释我的推理

^\s{3} - 字符串开头（或本例中的行），后跟 3 个空格

\( - 左括号

([AEINPRSTUW]{3}) - 括号中任何字母的 3 个实例，TPU 是一个例子

\s(\d{1,3}.\d{2,5}) - 一个空格，然后是 1-3 个数字，由 2-5 个数字之间的任意字符分隔

\)$ - 右括号，行尾

^\s{3} - 下一行开头后跟三个空格

(http+\s{1,100})$ - 字符“http”后跟 1 到 100 个非空白字符，以及行尾。

这种模式现在行不通，但我是否朝着正确的方向前进？

【问题讨论】：

那些" 真的是你的字符串的一部分吗？您要匹配的这三个空间在哪里？

标签： python regex python-2.7

【解决方案1】：

$^ 这行不通。 $ 是行尾（换行之前），^ 是行开头（换行之后）。但是换行符是一个字符（或两个），同时不推进正则表达式引擎的位置。所以$ 和^ 尝试匹配相同的位置，这只有在它们是空行的结尾和开头时才会发生——即使这样将它们按此顺序排列也会产生很大的误导。如果您想确保它们之间恰好有一个换行符，请尝试以下操作：

^\s{3}\(([AEINPRSTUW]{3})\s(\d{1,3}.\d{2,5})\)$(\r\n?|\n)^\s{3}(http+\S{1,100})$

但是，正如 ridgerunner 指出的评论，以下 \s{3} 可以匹配（最多 3 个）更多换行符，因为它们也是空格。

另请注意，. 作为数字的分隔符可能不是最好的主意。至少，使用非数字字符：

^\s{3}\(([AEINPRSTUW]{3})\s(\d{1,3}\D\d{2,5})\)$(\r\n?|\n)^\s{3}(http+\S{1,100})$

另请注意，我已将您的最后一个 \s 更改为 \S（因为 \s 是空格，\S 是非空格）。

另外请注意，您向我们展示的字符串不包含您尝试匹配的那三个空格。因此，将它们设为可选（正如 CaptainMurphy 建议的那样）也可能会有所帮助：

^\s*\(([AEINPRSTUW]{3})\s(\d{1,3}\D\d{2,5})\)$(\r\n?|\n)^\s*(http+\S{1,100})$

而且由于我们已经匹配了换行符，我们还可以完全删除那里的那些锚点，它们不再有任何帮助：

^\s*\(([AEINPRSTUW]{3})\s(\d{1,3}\D\d{2,5})\)(\r\n?|\n)\s*(http+\S{1,100})$

【讨论】：

非常感谢 - 一个巨大的帮助。
+1 但有几点...首先，从技术上讲，$^ 本身确实匹配空行（^$ 也是如此） - 多个相邻零宽度断言的顺序没关系（尽管你是正确的，在这个正则表达式的上下文中它永远不会匹配）。其次，(\r\n?|\n)\s* 不保证只有一个新行，因为\s* 匹配回车符和换行符。否则，很好的解释。
@ridgerunner，你当然是完全正确的！我将添加以澄清

【解决方案2】：

我认为您对大写字母和特定数量的空格等内容过于具体（您的示例字符串开头甚至没有空格）。我大多只是坚持 * 和 + 除非我正在寻找非常具体的东西。正如另一个答案指出的那样， $ 是整个记录（字符串）的结尾，而不是行尾。换行符或 CRLF 只是空格。不要将 \s 甚至 [^\s] 用于非空白，使用 \S。

ss="(TPU 1-999)\nhttp://something.com"
rr="^\s*\(([A-Z]+)\s+(\d+.\d+)\)\s+(http\S{1,100})$"
re.match(rr,ss).groups()
('TPU', '1-999', 'http://something.com')

【讨论】：

非常感谢，确实帮了不少忙。

【解决方案3】：

我真的想多了。这是我根据提供的答案提出的解决方案：

这是我正在解析的字符串示例（从电子邮件的内容中提取）：

'The writeboard named "10/26 newsletters (Pat)" has been created:\r\n\r\n (TPU 1000+)\r\n\r\n http://www.techproductupdate.com/resources/2313/splunk-app-for-vmware-delivers-insight-into-the-cloud\r\n\r\n (TIN 250+)\r\n\r\n http://www.techproductupdate.com/resources/2369/securing-mysql-databases\r\n\r\n (TPU 500+)\r\n\r\n http://www.techproductupdate.com/resources/2333/designing-a-data-protection-strategy-with-hp-lefthand-hp-storeonce-and-hp-tape\r\n\r\n- - -\r\nYou can visit the writeboard at:\r\n http://somewebsite.com\r\n'

所以我首先使用re.findall 来定位括号之间的所有内容，使用模式'$(?P<list>[A-Z]*)\s(?P<segments>.+)$'

然后我使用re.findall 来定位所有使用模式'http\S*' 的URL - 这将返回我想要的所有结果，并在列表末尾添加额外的'http://somewebsite.com'。

然后我只是将这些列表压缩在一起，不包括最后一个列表的最后一个元素，我基本上得到了我首先要寻找的结果。

【讨论】：