Question

我需要一个小脚本来过滤给定文本中的文献参考。引用可以采用两种格式：

bla bla bla（Snowden，2014a）bla bla bla（Bush and Blair，2005）bla bla bla。

通过两次搜索找到这些参考资料：

matches1 = re.findall('\([A-Z]\w*,\s?\d\d\d\d[a-z]?\)', line)
matches2 = re.findall('\([A-Z]\w* and [A-Z]\w*,\s?\d\d\d\d[a-z]?\)', line)

这些搜索正确地找到（Snowden，2014a）。（布什和布莱尔，2005年）。但现在我想在一次搜索中找到这两种引用，但它失败了：

matches1 = re.findall('\([A-Z]\w*( and [A-Z]\w*)?,\s?\d\d\d\d[a-z]?\)', line)

此搜索返回＆＃39;＆＃39;而不是（斯诺登，2014a）和＆＃39;和布莱尔＆＃39;而不是（Bush和Blair，2005）。我不清楚为什么会发生这种情况或者我做错了什么，所以任何帮助都值得赞赏:)

谢谢！

Answer 1

只需将捕获组转为非捕获组，然后将\d\d\d\d缩减为\d{4}。因为re.findall给予群组首选。如果存在任何组，则它将仅打印组内存在的字符。它忘记了匹配的字符串。

\([A-Z]\w*(?: and [A-Z]\w*)?,\s?\d{4}[a-z]?\)

示例代码：

>>> import re
>>> s = """foo bar (Snowden, 2014a)
... (Bush and Blair, 2005) foo bar"""
>>> m = re.findall(r'\([A-Z]\w*(?: and [A-Z]\w*)?,\s?\d{4}[a-z]?\)', s, re.M)
>>> for i in m:
...     print i
... 
(Snowden, 2014a)
(Bush and Blair, 2005)

Answer 2

通过添加?:：

使您的可选群组无法捕获

In [8]: re.findall('\([A-Z]\w*(?: and [A-Z]\w*)?,\s?\d\d\d\d[a-z]?\)', line)
Out[8]: ['(Snowden, 2014a)', '(Bush and Blair, 2005)']

python中的正则表达式 - 带有可选短语的麻烦

2 个答案: