子字符串的可选结尾部分的正则表达式

Question

考虑以下（高度简化的）字符串：

'a b a b c a b c a b c'

这是'a b c' 的重复模式，除了开头缺少'c'。

我寻求一个正则表达式，它可以通过使用re.findall() 为我提供以下匹配项：

[('a', 'b'), ('a', 'b', 'c'), ('a', 'b', 'c'), ('a', 'b', 'c')]

因此，上面的字符串有 4 个 'a b c' 匹配 - 尽管第一个匹配是一个特殊情况，因为 'c' 丢失了。

我最简单的尝试是尝试捕获'a' 和'b' 并为'c' 使用可选捕获：

re.findall(r'(a).*?(b).*?(c)?', 'a b a b c a b c a b c')

我明白了：

[('a', 'b', ''), ('a', 'b', ''), ('a', 'b', ''), ('a', 'b', '')]

显然，它只是忽略了c。当对'c' 使用非可选捕获时，搜索会提前跳过并在第二个'a b c' 子字符串中错过'a' 和'b'。这会导致 3 个错误匹配：

[('a', 'b', 'c'), ('a', 'b', 'c'), ('a', 'b', 'c')]

我尝试了其他几种技术（例如，'(?<=c)'），但均无济于事。

注意：上面的字符串只是我的“真实世界”问题的一个骨架示例，其中上面的三个字母本身就是字符串（来自一个长日志文件），在我需要从中提取命名的其他字符串和换行符之间组。

我在 Windows 7 上使用 Python 3.5.2。

Answer 1

由于您的 a、b 和 c 是 占位符，并且您无法知道它们是单个字符、字符序列还是其他任何内容，因此您需要使用tempered greedy token 以确保该模式不会溢出到同一字符串中的其他匹配项，并且由于 c 是可选的，只需将其包装为 (?:...)? 可选的非捕获组：

(a)(?:(?!a|b).)*(b)(?:(?:(?!a|b|c).)*(c))?
   ^^^^^^^^^^^^^   ^^^ ^^^^^^^^^^^^^^    ^

见regex demo

详情：

• (a) - 第 1 组捕获一些 a
• (?:(?!a|b).)* - 一个缓和的贪婪令牌匹配任何不以 a 或 b 序列开头的字符
• (b) - 第 2 组捕获一些 b
• (?: - 可选非捕获组的开始，重复 1 或 0 次
  • (?:(?!a|b|c).)* - 一个缓和的贪婪令牌，匹配任何字符，但换行符以 a、b 或 c 模式开始
  • (c) - 第 3 组捕获一些 c 模式
• )? - 可选非捕获组的结尾。

要获得你需要的元组列表，你需要使用理解自己构建它：

import re
r = r'(a)(?:(?!a|b).)*(b)(?:(?:(?!a|b|c).)*(c))?'
s = 'a b a b c a b c a b c'
# print(re.findall(r,s))
# That one is bad: [('a', 'b', ''), ('a', 'b', 'c'), ('a', 'b', 'c'), ('a', 'b', 'c')]
print([(a,b,c) if c else (a,b) for a,b,c in re.findall(r,s)])
# This one is good: [('a', 'b'), ('a', 'b', 'c'), ('a', 'b', 'c'), ('a', 'b', 'c')]

见Python demo