Question

我正在尝试扫描文档并确定文档各部分的开始和结束位置。有时，该文档有一个目录，列出了我不想捕获TOC的页码，因为它不能识别文档的一部分。我有一段时间一直搞乱这个问题而且我一直坚持下去。我似乎无法避免使用行号

从内容列表中捕获行

这是正则表达式

verbose_item_pattern_3 = re.compile(r"""
  ^            # begin match at newline
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blank space
  I            # a capital I
  [tT][eE][mM] # one character from each of the three sets this allows for unknown case
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blankspace
  \d{1,2}      # 1-or-2 digits
  [.]?         # 0-or-1 literal .
  \(?          # 0-or-1 literal open paren
  [a-e]?       # 0-or-1 letter in the range a-e
  \)?          # 0-or-1 closing paren
  .*           # any number of unknown characters so we can have words and punctuation
  [^0-9]       # anything but [0-9]
  $           # 1 newline character
  """, re.VERBOSE|re.MULTILINE)

这是一个我不想捕获的行的例子

test_string='\nItem 6.       TITLE ITEM 6..................................................25\n'

以下是我想要捕获的示例

test_string='\nItem 6.       TITLE ITEM 6 maybe other words here who knows  \n'

但是当我跑步时

re.findall(verbose_item_pattern_3,test_string)

结果是

['Item 6.       TITLE ITEM 6..................................................25\n']

现在我觉得有趣的是，如果我的测试字符串是这个

test_string='PART I\nItem 1.       TITLE ITEM 1...................................................1\nItem 2.       TITLE ITEM 2..................................................21\n'

然后运行它 re.findall（verbose_item_pattern_3，test_string）

结果更接近我想要的但仍然不正确

['Item 2.       TITLE ITEM 2..................................................21\n']

不应该捕获任何东西

Answer 1

你的正则表达式匹配因为三件事。

大部分是可选的，所以非常不明确
有一个.*吃了整条线，所以你的最后一个条件[^0-9]将永远无法承受，那是因为：
换行符本身履行 [^0-9]，因此即使该行以数字结尾，[^0-9]也能成功匹配。

最小的改变是在最后使用负面的后视：

verbose_item_pattern_3 = re.compile(r"""
  ^            # start-of-line
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blank space
  I            # a capital I
  [tT][eE][mM] # one character from each of the three sets this allows for unknown case
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blankspace
  \d{1,2}      # 1-or-2 digits
  [.]?         # 0-or-1 literal .
  \(?          # 0-or-1 literal open paren
  [a-e]?       # 0-or-1 letter in the range a-e
  \)?          # 0-or-1 closing paren
  .*           # any number of unknown characters so we can have words and punctuation
  $            # end-of-line
  (?<![0-9])   # NOT preceded by a decimal digit (via look-behind)
  """, re.VERBOSE|re.MULTILINE)

请注意，^而不是$实际上都不匹配换行符。它们在（^）或之前的位置（$）后面的位置匹配位置。换行符本身永远不会成为比赛的一部分。

由于这个原因，我已将他们的评论更改为更精确的start-of-line和end-of-line。

另请注意，即使在$之后，我仍然可以应用负面观察。这样做有助于防止回溯，使正则表达式更快。</ p>

Answer 2

如果我理解正确，您希望示例字符串不匹配，因为该行中的最后一个字符是数字，而您的正则表达式以[^0-9]$结尾。

行为不正确的原因是$将在\n之前匹配，但也会在字符串的最后匹配。最后发生的事情是.*与数字匹配，然后[^0-9]匹配\n，并在字符串末尾匹配$。请考虑以下示例，该示例使用捕获组来说明其工作原理：

>>> re.match(r'(.*)([^0-9])$', '...12\n').groups()
('...12', '\n')

要解决此问题，您可以通过将换行符更改为[^0-9]来阻止[^0-9\n]匹配换行符：

verbose_item_pattern_3 = re.compile(r"""
  ^            # begin match at newline
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blank space
  I            # a capital I
  [tT][eE][mM] # one character from each of the three sets this allows for unknown case
  \t*          # 0-or-more tabspace
  [ ]*         # 0-or-more blankspace
  \d{1,2}      # 1-or-2 digits
  [.]?         # 0-or-1 literal .
  \(?          # 0-or-1 literal open paren
  [a-e]?       # 0-or-1 letter in the range a-e
  \)?          # 0-or-1 closing paren
  .*           # any number of unknown characters so we can have words and punctuation
  [^0-9\n]     # anything but [0-9] and line breaks
  $           # 1 newline character
  """, re.VERBOSE|re.MULTILINE)

示例（使用上面的正则表达式）：

>>> verbose_item_pattern_3.findall('\nItem 6.       TITLE ITEM 6.....25\n')
[]
>>> verbose_item_pattern_3.findall('\nItem 6.       TITLE ITEM 6.....\n')
['Item 6.       TITLE ITEM 6.....']

当此字符串中的行末尾有数字时，为什么此正则表达式不排除该行

2 个答案: