混淆Python中正则表达式的用法

Question

我对以下三种模式感到困惑，有人会更详细地解释它吗？

## IPython with Python 2.7.3
In [62]: re.findall(r'[a-z]*',"f233op")
Out[62]: ['f', '', '', '', 'op', '']  ## why does the last '' come out?

In [63]: re.findall(r'([a-z])*',"f233op")
Out[63]: ['f', '', '', '', 'p', '']  ## why does the character 'o' get lost?

In [64]: re.findall(r'([a-z]*)',"f233op")
Out[64]: ['f', '', '', '', 'op', '']  ## what's the different than line 63 above?

Answer 1

示例1

re.findall(r'[a-z]*',"f233op")

此模式匹配小写字母字符的零个或多个实例。 ZERO或更多部分在这里是关键，因为从字符串中的每个索引位置开始的任何匹配都与f或op的匹配一样有效。返回的最后一个空字符串是从字符串结尾开始的匹配（p和$之间的位置（字符串结尾）。

示例2

re.findall(r'([a-z])*',"f233op")

现在您要匹配的字符组由一个小写字母字符组成。不再返回o，因为这是一个贪婪的搜索，将返回最后一个有效的匹配组。因此，如果您将字符串更改为f233op12fre，则会返回最终e，但不会返回前面的f或r。同样，如果您在字符串中取出p，仍然会看到o作为有效匹配返回。

相反，如果你试图通过添加?（例如([a-z])*?）来使这个正则表达式非贪婪，那么返回的匹配集将全部为空字符串，因为没有任何有效匹配有效匹配的优先级更高。

示例3

re.findall(r'([a-z]*)',"f233op")

匹配的字符没有什么不同，但现在您返回的是字符组而不是原始匹配。此正则表达式查询的输出将与您的第一个示例相同，但您会注意到，如果添加其他匹配组，您将突然看到每个匹配尝试的结果分组为元组：

IN : re.findall(r'([a-z]*)([0-9]*)',"f233op")
OUT: [('f', '233'), ('op', ''), ('', '')]  

将此与相同的模式进行对比，减去括号（组），您将看到它们为什么重要：

IN : re.findall(r'[a-z]*[0-9]*',"f233op")
OUT: ['f233', 'op', ''] 

另外...

将像这样的正则表达式模式插入正则表图生成器（如Regexplained）以查看模式匹配逻辑的工作方式非常有用。例如，作为您的正则表达式始终返回空字符串匹配的原因的解释，请查看模式[a-z]*和[a-z]+之间的差异。

如果遇到问题，请不要忘记查看Python docs for the re library，它们实际上为标准正则表达式语法提供了一个非常出色的解释。

Answer 2

1. 您获得最终''，因为[a-z]*与末尾的空字符串匹配。

2. 由于您已告知'o'与群组相匹配，因此缺少字符re.findall，并且每个群组都有一个字符。换句话说，你做的相当于

   m = re.match(r'([a-z])*', 'op')
   m.group(1)
   

   将返回'p'，因为这是parens捕获的最后一件事（捕获组1）。

3. 同样，您正在匹配群组，但这次是多角色群组。

Answer 3

您惊人的结果与正则表达式量词*有关。

考虑：

[a-z]*

Debuggex Demo

Vs的：

[a-z]+

Debuggex Demo

考虑另一个例子，我认为更能说明你所看到的：

>>> re.findall(r'[a-z]*', '123456789')
['', '', '', '', '', '', '', '', '', '']

字符串[a-z]中的集123456789中没有字符。然而，由于*表示'零或更多'，所有字符位置'匹配'，因为不匹配该位置的任何字符

例如，假设您只想测试字符串中是否有任何字母，并使用正则表达式：

>>> re.search(r'[a-z]*', '1234')
<_sre.SRE_Match object at 0x1069b6988>     # a 'match' is returned, but this is 
                                           # probably not what was intended

---

现在考虑：

>>> re.findall(r'[a-z]*', '123abc789')
['', '', '', 'abc', '', '', '', '']

Vs的：

>>> re.findall(r'([a-z])*', '123abc789')
['', '', '', 'c', '', '', '', '']

第一种模式是[a-z]*。除非修改，否则部分[a-z]是与集合a-z中的单个字符匹配的字符类;如果大于零，*量词的添加将贪婪地匹配尽可能多的字符 - 因此匹配'abc'但也允许零个字符匹配（或者字符集外的字符匹配）从0开始的位置是匹配的。）

在([a-z])*中添加分组有效地将量化集合中的匹配减少回单个字符，并返回集合中匹配的最后一个字符。

如果您想要分组效果（比如更复杂的模式），请使用非捕获组：

>>> re.findall(r'(?:[a-z])*', '123abc789')
['', '', '', 'abc', '', '', '', '']

Answer 4

在第63行中，你找到了一个长度为1的字符组（用parens表示）的所有实例。*在这里没有做太多的事情（只是让你匹配零长度组） ）。

在*旁边有[a-z]的其他示例中，您可以匹配任意长度的相邻字符。

修改

使用this tool可能会有所帮助。