为什么re.sub（＆＃39;。*？＆＃39;，＆＃39; - ＆＃39;，＆＃39; abc＆＃39;）返回＆＃39; -a-b-c - ＆＃39;而不是＆＃39; -------＆＃39;？

Question

这是python2.7的结果。

>>> re.sub('.*?', '-', 'abc')
'-a-b-c-'

我认为的结果应如下。

>>> re.sub('.*?', '-', 'abc')
'-------'

但事实并非如此。为什么呢？

Answer 1

我所知道的这种行为的最佳解释来自regex PyPI包，它旨在最终替换re（虽然它已经是这样的现在很久了。）

  

有时候不清楚应该如何处理零宽度匹配。例如，在匹配＆gt; 0个字符后，*。匹配0个字符吗？

     

大多数正则表达式实现遵循Perl（PCRE）的引导，但re模块有时不遵循。 Perl行为似乎是最常见的（并且re模块有时肯定是错误的），因此在版本1中，regex模块遵循Perl行为，而在版本0中，它遵循遗留的re行为。

     

示例：

# Version 0 behaviour (like re)
>>> regex.sub('(?V0).*', 'x', 'test')
'x'
>>> regex.sub('(?V0).*?', '|', 'test')
'|t|e|s|t|'

# Version 1 behaviour (like Perl)
>>> regex.sub('(?V1).*', 'x', 'test')
'xx'
>>> regex.sub('(?V1).*?', '|', 'test')
'|||||||||'

(?VX)在正则表达式中设置版本标志。第二个例子是你所期望的，并且据说是PCRE所做的。 Python的re有点不标准，并且保留，因为它可能完全是由于向后兼容性问题。 I've found an example of something similar（与re.split）。

Answer 2

您确定正确解释了re.sub的文档吗？

  

*?，+?，??＆＃39; ＆＃39;，＆＃39; +＆＃39;和＆＃39;？＆ ＃39;资格赛都是贪心的;它们匹配尽可能多的文本。有时这种行为是不可取的;如果   RE＆lt;。＆gt;与'<H1>title</H1>'匹配，它将匹配。{   整个字符串，而不仅仅是'<H1>'。添加＆＃39;？＆＃39;在资格赛之后   使它以非贪婪或极简的方式进行比赛;很少   尽可能匹配的字符。使用。*？在以前   表达式仅匹配＆＃39;。

添加?会将表达式转换为非贪婪的表达式。

<强>贪婪：

re.sub(".*", "-", "abc")

<强>非贪婪：

re.sub(".*?", "-", "abc")

更新：FWIW re.sub完全符合预期：

>>> from re import sub
>>> sub(".*?", "-", "abc")
'-a-b-c-'
>>> sub(".*", "-", "abc")
'-'

请参阅@ BrenBarn关于你获得-a-b-c-的原因的精彩答案：）

这是对正在发生的事情的直观表达：

.*?

Debuggex Demo

Answer 3

对于您新编辑的问题：

.*?可以匹配任意数量的字符，包括零。所以它的作用是匹配字符串中每个位置的零个字符：在“a”之前，在“a”和“b”之间，等等。它用连字符替换每个零宽度匹配，给出结果你看。

正则表达式不会尝试逐个匹配每个字符;它尝试匹配字符串中的每个位置。你的正则表达式允许它匹配零个字符。因此它在每个位置匹配零并继续下一个位置。你似乎在想，在像“abc”这样的字符串中，“b”之前有一个位置，“b”之内有一个位置，“b”之后有一个位置，但是里面没有位置“个性。如果它匹配在“b”之前开始的零个字符，则它尝试的下一个事项是匹配“b”之后的开始。在三个字符的字符串中，你无法使正则表达式匹配七次，因为只有四个位置匹配。

Answer 4

详细说明Veedrac's answer，不同的实现在FindAll（或ReplaceAll）操作中对零宽度匹配有不同的处理方式。在不同的实现中可以观察到两种行为，Python re只是选择遵循第一行实现。

1。始终在零宽度匹配上碰到一个字符

在Java和JavaScript中，零宽度匹配会导致索引碰到一个字符，因为保留在同一索引中会导致FindAll或ReplaceAll操作中出现无限循环。

因此，此类实现中FindAll操作的输出最多可包含一个从特定索引开始的匹配。

默认的Python re包可能也遵循相同的实现（Ruby似乎也是如此）。

2。禁止在相同索引

的下一场比赛中进行零宽度匹配

在PHP中，它提供了一个基于PCRE库的包装器，零宽度匹配不会导致索引立即碰撞。相反，它将设置一个标志（PCRE_NOTEMPTY），要求下一个匹配（从同一索引开始）为非零宽度匹配。如果匹配成功，它将沿着匹配的长度（非零）碰撞;否则，它会撞到一个角色。

^{顺便说一句，PCRE库不提供内置的FindAll或ReplaceAll操作。它实际上是由PHP包装器提供的。}

因此，此类实现中FindAll操作的输出最多可包含2个从同一索引开始的匹配。

Python regex包可能遵循这一实现方式。

这条实现更复杂，因为它需要实现FindAll或ReplaceAll以保持是否禁止零宽度匹配的额外状态。开发人员还需要在使用低级匹配API时跟踪这些额外标志。