我正在使用以下正则表达式，它假设找到字符串'U.S.A.'，但它只获得'A.'，是否有人知道错误是什么？
#INPUT
import re
text = 'That U.S.A. poster-print costs $12.40...'
print re.findall(r'([A-Z]\.)+', text)
#OUTPUT
['A.']
预期产出：
['U.S.A.']
我遵循NLTK书第3.7章here，它有一套正则表达式，但它不起作用。我已经在Python 2.7和3.4中尝试过了。
>>> text = 'That U.S.A. poster-print costs $12.40...'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \w+(-\w+)* # words with optional internal hyphens
... | \$?\d+(\.\d+)?%? # currency and percentages, e.g. $12.40, 82%
... | \.\.\. # ellipsis
... | [][.,;"'?():-_`] # these are separate tokens; includes ], [
... '''
>>> nltk.regexp_tokenize(text, pattern)
['That', 'U.S.A.', 'poster-print', 'costs', '$12.40', '...']
nltk.regexp_tokenize（）与 re.findall（）的工作方式相同，我想我的python在某种程度上无法按预期识别正则表达式。上面列出的正则表达式输出：
[('', '', ''),
('A.', '', ''),
('', '-print', ''),
('', '', ''),
('', '', '.40'),
('', '', '')]
答案 0 :(得分：3)
可能，它与先前使用{3}中废除的nltk.internals.compile_regexp_to_noncapturing()编译正则表达式有关，请参阅here）
>>> import nltk
>>> nltk.__version__
'3.0.5'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... | \w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... | [+/\-@&*] # special characters with meanings
... '''
>>>
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
但它不适用于NLTK v3.1：
>>> import nltk
>>> nltk.__version__
'3.1'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... | \w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... | [+/\-@&*] # special characters with meanings
... '''
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
[('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', '')]
稍微修改一下你的正则表达式组的定义，你可以使用这个正则表达式在NLTK v3.1中使用相同的模式：
pattern = r"""(?x) # set flag to allow verbose regexps
(?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
|\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
|\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
|(?:[+/\-@&*]) # special characters with meanings
"""
在代码中：
>>> import nltk
>>> nltk.__version__
'3.1'
>>> pattern = r"""
... (?x) # set flag to allow verbose regexps
... (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
... |\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
... |(?:[+/\-@&*]) # special characters with meanings
... """
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
如果没有NLTK，使用python＆＃39; re模块，我们会发现本地不支持旧的正则表达式模式：
>>> pattern1 = r"""(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... |\w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... |[+/\-@&*] # special characters with meanings
... |\S\w* # any sequence of word characters#
... """
>>> text="My weight is about 68 kg, +/- 10 grams."
>>> re.findall(pattern1, text)
[('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', '')]
>>> pattern2 = r"""(?x) # set flag to allow verbose regexps
... (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
... |\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
... |(?:[+/\-@&*]) # special characters with meanings
... """
>>> text="My weight is about 68 kg, +/- 10 grams."
>>> re.findall(pattern2, text)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
注意： NLTK的RegexpTokenizer如何编译正则表达式的变化会使NLTK's Regular Expression Tokenizer上的示例也过时。
答案 1 :(得分：2)
删除尾随+，或将其放入群组中：
>>> text = 'That U.S.A. poster-print costs $12.40...'
>>> re.findall(r'([A-Z]\.)+', text)
['A.'] # wrong
>>> re.findall(r'([A-Z]\.)', text)
['U.', 'S.', 'A.'] # without '+'
>>> re.findall(r'((?:[A-Z]\.)+)', text)
['U.S.A.'] # with '+' inside the group
答案 2 :(得分：1)
正则表达式匹配的文本的第一部分是＆＃34; U.S.A。＆＃34;因为([A-Z]\.)+与第一组（括号内的部分）匹配三次。但是，每组只能返回一个匹配项，因此Python会选择该组的最后一个匹配项。
如果您改为使用正则表达式来包含＆＃34; +＆＃34;在组中，该组将只匹配一次，并返回完整的匹配。例如(([A-Z]\.)+)或((?:[A-Z]\.)+)。
如果您想要三个单独的结果，那么只需摆脱＆＃34; +＆＃34;在正则表达式中签名，每次只匹配一个字母和一个点。
答案 3 :(得分：1)
问题是“捕获组”，也就是括号，它对findall()的结果产生了意想不到的影响：当一个匹配中多次使用捕获组时，正则表达式引擎失去跟踪和奇怪事情发生。具体来说：正则表达式正确匹配整个U.S.A.，但findall将其丢弃在地板上并且仅返回最后一组捕获。
正如this answer所述，re模块不支持重复捕获组，但您可以安装正确处理此问题的备用regexp模块。 （但是，如果您想将正则表达式传递给nltk.tokenize.regexp，这对您没有帮助。）
无论如何要正确匹配U.S.A.，请使用：r'(?:[A-Z]\.)+', text)。
>>> re.findall(r'(?:[A-Z]\.)+', text)
['U.S.A.']
您可以对NLTK正则表达式中的所有重复模式应用相同的修复，一切都将正常工作。正如@alvas建议的那样，NLTK过去常常在幕后进行替换，但最近这个功能被删除，并在tokenizer文档中用a warning替换。这本书显然已经过时了; @alvas在11月份提交了bug report，但尚未采取行动......