Python 2和3中're.sub'函数的不一致性问题

Question

我正在编写一个在Python中从文本中分离数字和其他内容的函数。代码看起来像这样:

EN_EXTRACT_REGEX = '([a-zA-Z]+)'
NUM_EXTRACT_REGEX = '([0-9]+)'
AGGR_REGEX = EN_EXTRACT_REGEX + '|' + NUM_EXTRACT_REGEX

entry = re.sub(AGGR_REGEX, r' \1\2', entry)

现在，这段代码在Python3中运行得非常好，但在Python2下却无法运行，并出现“unmatched group”错误。

问题是，我需要支持两个版本，尽管我已经尝试了各种其他方法，但在Python2中无法正常工作。

我很好奇这个问题的根源是什么，是否有任何解决方法？

- Atorpat

Answer 1

我认为问题可能在于正则表达式模式匹配了子模式EN_EXTRACT_REGEX和NUM_EXTRACT_REGEX中的一个，而不是两个都匹配。

当re.sub()匹配第一个模式中的字母字符时，它尝试使用\2替换第二组引用，但失败了，因为只有第一组匹配——没有第二组。

类似地，当数字模式匹配时，没有\1组可以替换，所以这也失败了。

您可以在Python 2中进行以下测试，以查看这种情况。

>>> re.sub(AGGR_REGEX, r' \1', 'abcd')    # reference first pattern
 abcd
>>> re.sub(AGGR_REGEX, r' \2', 'abcd')    # reference second pattern
Traceback (most recent call last):
....
sre_constants.error: unmatched group

不同版本的Python 2和Python 3使用了不同版本的正则表达式引擎，这就是差异的原因。不幸的是，我无法确定差异的确切原因，但是在版本3.5中，re.sub()有一个记录的变化，涉及未匹配的组：

版本3.5中的更改：未匹配的组将被替换为空字符串。

这就解释了为什么它在Python >= 3.5中有效，但在早期版本中无效：未匹配的组基本上被忽略了。

---

作为一种解决方法，您可以将模式更改为将两个匹配项处理为单个组：

import re

EN_EXTRACT_REGEX = '[a-zA-Z]+'
NUM_EXTRACT_REGEX = '[0-9]+'
AGGR_REGEX = '(' + EN_EXTRACT_REGEX + '|' + NUM_EXTRACT_REGEX + ')'
# ([a-zA-Z]+|[0-9]+)

for s in '', '1234', 'abcd', 'a1b2c3', 'aa__bb__1122cdef', '_**_':
    print(re.sub(AGGR_REGEX, r' \1', s))

输出

 1234
 abcd
 a 1 b 2 c 3
 aa__ bb__ 1122 cdef
_**_

- mhawke