Question

我有as和bs的字符串。我想提取所有重叠的子序列，其中子序列是单个b包围的b。这是我写的正则表达式：

import re

pattern = """(?=            # inside lookahead for overlapping results
             (?:a|^)        # match at beginning of str or after a
             (b* (?:a) b*)  # one a between any number of bs
             (?:a|$))       # at end of str or before next a
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

除了字符串中的第一个字符是a之外，这似乎可以按预期工作，在这种情况下，该子序列会丢失：

a_between_bs.findall("bbabbba")
# ['bbabbb', 'bbba']
a_between_bs.findall("abbabb")
# ['bbabb']

我不知道发生了什么。如果我更改潜在匹配的开始顺序，结果也会更改：

pattern = """(?=
             (?:^|a)        # a and ^ swapped
             (b* (?:a) b*)
             (?:a|$))
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

a_between_bs.findall("abbabb")
# ['abb']

我希望这是对称的，因此也可能会丢失以a结尾的字符串，但事实并非如此。发生了什么事？

修改：

我认为上述玩具示例的解决方案将转化为我的全部问题，但事实并非如此，因此，我正在详细说明（对此感到抱歉）。我正在尝试从转录的单词中提取“音节”。 “音节”是元音或重音，在其前面和之后是任意数量的辅音。这是提取它们的正则表达式：

vowels = 'æɑəɛiɪɔuʊʌ'
diphtongues = "|".join(('aj', 'aw', 'ej', 'oj', 'ow'))
consonants = 'θwlmvhpɡŋszbkʃɹdnʒjtðf'

pattern = f"""(?=
          (?:[{vowels}]|^|{diphtongues})
          ([{consonants}]* (?:[{vowels}]|{diphtongues}) [{consonants}]*)
          (?:[{vowels}]|$|{diphtongues})
          )
          """
syllables = re.compile(pattern, re.VERBOSE)

棘手的一点是，双音词以辅音（j或w）结尾，我不想将其包含在下一个音节中。因此，用双重否定(?<![{consonants}])代替第一个非捕获组是行不通的。我尝试改为用正向(?<=[{vowels}]|^|{diphtongues})代替该组，但是regex不会接受不同的长度（即使删除双音不起作用，显然^的长度也不同）。

所以这是上面模式中的问题情况：

syllables.findall('æbə')
# ['bə'] 
# should be: ['æb', 'bə']

修改2： 我已改用正则表达式，它允许进行可变宽度的回溯，从而解决了该问题。令我惊讶的是，它甚至似乎比标准库中的re模块更快。不过，我仍然想知道如何使用re模块。（：

Answer 1

我建议通过两次否定来解决此问题：

(?=         # inside lookahead for overlapping results
 (?<![^a])  # match at beginning of str or after a
 (b*ab*)    # one a between any number of bs
 (?![^a])   # at end of str or before next a
)

请参见regex demo

请注意，我将 grouping 构造替换为 lookarounds ：(?:a|^)替换为(?<![^a])，(?:a|$)替换为(?![^a])。后者并不是很重要，但是第一个在这里非常重要。

外部先行模式开头的(?:a|^)匹配a或字符串的开头，无论哪个先出现。如果a开头，则匹配它，当输入为abbabb时，您会得到bbabb，因为它与捕获组模式匹配并且紧随其后的是字符串位置的结尾。下一个迭代在第一个a之后开始，并且找不到任何匹配项，因为字符串中仅剩下的a在a之后没有b。

请注意，order of alternative matters。如果更改为(?:^|a)，则匹配从字符串的开头开始，b*匹配空字符串，ab*抓取abb中的第一个abbabb，然后由于紧随其后的是a，因此您将获得abb作为匹配项。在第一个a之后无法匹配任何内容。

Answer 2

请记住，python“短路”，因此，如果它匹配“ ^”，它就不会继续寻找它是否也匹配“ a”。这将“消耗”匹配的字符，因此，在匹配“ a”的情况下，将消耗“ a”，并且下一个匹配的组将不可用“ a”，并且因为使用（？:)语法不能捕获“ “ a”是“丢失”的，不能被下一个分组（b *（?: a）b *）捕获，而当“ ^”被第一个分组占用时，第一个“ a”将与第二个分组。

正则表达式在字符串开头未匹配

2 个答案: