Chained Lookbehinds

Question

我有一个看起来像的字符串：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

我想返回一个新字符串，删除某些单词，只要它们前面没有某些其他单词。

例如，我要删除的字词是：

c_out = ["avon", "powys", "somerset","hampshire"]

只有他们不遵循：

c_except = ["on\s","dinas\s"]

注意：c_out中可能有多个单词实例，c_except中有多个单词实例。

我个人试过'on\s'：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

regexp1 = re.compile(r'(?<!on\s)(avon|powys|somerset|hampshire)')
print("1st Result: ", regexp1.sub('', phrase))
1st Result:  '5  road bradford on avon avon dinas   north'

这正确地忽略了第一个'avon'，因为它前面有'on\s'，它正确地删除了第三个'avon'，但是它忽略了第二个'avon' 1}}（它不会删除）。

以同样的方式，'dinas\s'：

phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'

regexp2 = re.compile(r'(?<!dinas\s)(avon|powys|somerset|hampshire)')
print("2nd Result: ", regexp2.sub('', phrase))
2nd Result:  '5  road bradford on   dinas powys  north '

这正确地忽略了第一个'powys'并删除了第二个{注意'... powys north'之间的双倍空格。

我尝试通过执行以下操作来组合这两个表达式：

regexp3 = re.compile(r'((?!on\s)|(?!dinas\s))(avon|powys|somerset|hampshire)')
print("3rd Result: ", regexp3.sub('', phrase))
3rd Result:  5  road bradford on   dinas   north

这错误地删除了每个字，并完全忽略了'on\s'或'dinas\s'。

然后我尝试了：

regexp4 = re.compile(r'(?<!on\s|dinas\s)(avon|powys|somerset|hampshire)')
print("4th Result: ", regexp4.sub('', phrase))

得到了：

error: look-behind requires fixed-width pattern

我想最终：

Result: '5  road bradford on avon dinas powys  north     '

我看过：

Why is this not a fixed width pattern? Python Regex Engine - "look-behind requires fixed-width pattern" Error regex: string with optional parts

但无济于事。

我做错了什么？

来自评论：

regexp5 = re.compile(r'(?<!on\s)(?<!dinas\s)(avon|powys|somerset|hampshire)')
print("5th Result: ", regexp5.sub('', phrase))
5th Result:  5  road bradford on avon avon dinas powys  north

这又错过了第二个雅芳。

Answer 1

以下是解决此问题的两种方法：

Chained Lookbehinds

将基于交替的lookbehind转换为几个负面的lookbehinds，因为它们之间的逻辑关系将是相同的（AND）：

import re
phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'
c_except = [r"on\s",r"dinas\s"]
c_out = ["avon", "powys", "somerset","hampshire"]
rx = r"(?<!\b{0})({1})".format(r")(?<!\b".join(c_except), "|".join(c_out))
print(re.sub(rx, "", phrase))

请参阅this Python demo。

捕获Approch

捕获您需要保留的内容并仅匹配您需要删除的内容，并使用\1反向引用来恢复第1组值：

import re
phrase = '5 hampshire road bradford on avon avon dinas powys powys north somerset hampshire avon'
c_except = [r"on\s+",r"dinas\s+"]
c_out = ["avon", "powys", "somerset","hampshire"]
rx = r"(\b(?:{0})(?:{1}))|(?:{1})".format(r"|".join(c_except), "|".join(c_out))
print(re.sub(rx, r"\1", phrase))

请参阅another Python demo。

请注意，这种方法很有用，因为您可以在c_except内使用可变宽度模式。

正则表达式看起来像

(\b(?:on\s+|dinas\s+)(?:avon|powys|somerset|hampshire))|(?:avon|powys|somerset|hampshire)

由于on字边界，它将匹配dinas或\b作为整个单词，然后是您需要删除的任何字词，因为该部分被包装到捕获中您可以使用\1反向引用来引用捕获。在所有其他情况下，c_out条款将以|(?:avon|powys|somerset|hampshire)模式删除。

注意：\1替换将在Python 3.5+中有效。对于旧版本和Python 2.x，您需要将其替换为lambda：

re.sub(rx, lambda m: m.group(1) if m.group(1) else "", phrase)

Python - 错误：look-behind需要固定宽度模式

1 个答案:

Chained Lookbehinds

捕获Approch