正则表达式中的重复模式

Question

我想在我的字符串中捕捉重复的模式。子模式以单词的开头或":"开头，以":"或单词结尾开头。我尝试了findall和search多个匹配((subpattern)__(subpattern))+的组合，但无法出错：

cc = "GT__abc23_1231:TF__XYZ451"

import regex
ma = regex.match("(\b|\:)([a-zA-Z]*)__(.*)(:|\b)", cc)

预期产出：

GT, abc23_1231, TF, XYZ451

我看到了许多像this这样的问题，但它没有帮助。

Answer 1

似乎你可以使用

(?:[^_:]|(?<!_)_(?!_))+

请参阅regex demo

模式详情：

• (?:[^_:]|(?<!_)_(?!_))+ - 1个或多个序列：
  • [^_:] - 除_和:
  之外的任何字符
  • (?<!_)_(?!_) - 单个_未附加其他_ s

Python demo with re based solution：

import re
p = re.compile(r'(?:[^_:]|(?<!_)_(?!_))+')
s = "GT__abc23_1231:TF__XYZ451"
print(p.findall(s))
# => ['GT', 'abc23_1231', 'TF', 'XYZ451']

如果第一个字符始终不是:和_，您可以使用an unrolled regex，如：

r'[^_:]+(?:_(?!_)[^_:]*)*'

它不会匹配以单_开头的值（因此，展开的正则表达式更安全）。

Answer 2

使用中的最小公分母“以:或字边界”开头和结尾，即字边界（您的子字符串由字组成）字符）：

>>> import re
>>> cc = "GT__abc23_1231:TF__XYZ451"
>>> re.findall(r'\b([A-Za-z]+)__(\w+)', cc)
[['GT', 'abc23_1231'], ['TF', 'XYZ451']]

测试周围是否有:是没用的 （注意：不需要在\b之后添加\w+，因为量词是贪婪的，字边界变得隐含。）

[编辑]

根据你的评论：“我想首先拆分”：“然后拆分为双下划线。”，也许你根本不需要正则表达式：

>>> [x.split('__') for x in cc.split(':')]
[['GT', 'abc23_1231'], ['TF', 'XYZ451']]