如何使用正则表达式找到所有重叠的匹配

Question

我正在尝试使用Python 2.6中的re模块，在一系列较大的数字中找到每个10位数的数字序列。

我可以轻松地获取不重叠的匹配，但我想要在数字序列中获取每个匹配项。例如，

在"123456789123456789"中，

我应该得到以下列表：

[1234567891,2345678912,3456789123,4567891234,5678912345,6789123456,7891234567,8912345678,9123456789]

我找到了关于“lookahead”的参考资料，但我看到的例子只显示了数字对，而不是更大的组合，我无法将它们转换为超过两位数。

- danspants

---

当重叠匹配从同一点开始时，比如在"abcd"中匹配"a|ab|abc"，所提供的解决方案无法奏效，只会返回一个结果。有没有不需要多次调用match()并手动跟踪“end”界限的解决方案？ - Vítor De Araújo

@VítorDeAraújo：重叠的正则表达式，如(a|ab|abc)通常可以重写为非重叠的嵌套捕获组，例如(a(b(c)?)?)?，在解包匹配时我们忽略除最外层（即最左边）捕获组以外的所有内容；不可否认，这样做会稍微有些麻烦且不太易读。但这也将是一个更高效的正则表达式匹配方式。 - smci

Answer 1

在先行断言中使用捕获组。先行断言会捕获你感兴趣的文本，但实际匹配的是先行断言前面零宽度的子字符串，因此匹配实际上是非重叠的：

import re 
s = "123456789123456789"
matches = re.finditer(r'(?=(\d{10}))', s)
results = [int(match.group(1)) for match in matches]
# results: 
# [1234567891,
#  2345678912,
#  3456789123,
#  4567891234,
#  5678912345,
#  6789123456,
#  7891234567,
#  8912345678,
#  9123456789]

- mechanical_meat

---

我的答案至少比这个快两倍。但这个解决方案有些棘手，我投了赞成票。 - eyquem

解释=它不是搜索模式（10个数字），而是搜索在其后出现的任何东西。因此，它找到字符串的位置0、字符串的位置1等等。然后它抓取组（1）-匹配模式并制作这些模式的列表。非常酷。 - Tal Weiss

我从未想过你可以在预查中使用匹配组，而这些组通常不应包含在匹配中（实际上匹配的子组并没有出现在完整的匹配中）。由于这种技术在Python 3.4中仍然有效，我猜它被认为是一种特性而不是一个错误。 - JAB

我加入了StackOverflow，回答问题并提高了声望，只是为了能够点赞这个回答。目前我被迫使用Python 2.4，因此无法使用Python 3更高级的正则表达式函数，而这正是我正在寻找的奇技淫巧。 - TheSoundDefense

你能否在代码中添加更多的解释呢？根据 Stack Overflow 的标准，仅仅在答案中提供代码并不是最好的方式。这样做肯定会帮助到更多的人。 - Akshay Hazari

Answer 2

您还可以尝试使用第三方regex模块（而不是re），该模块支持重叠匹配。

>>> import regex as re
>>> s = "123456789123456789"
>>> matches = re.findall(r'\d{10}', s, overlapped=True)
>>> for match in matches: print(match)  # print match
...
1234567891
2345678912
3456789123
4567891234
5678912345
6789123456
7891234567
8912345678
9123456789

- David C

---

我得到了一个 TypeError: findall（）意外收到关键字参数'overlapped'。 - Carsten

@Carsten：首先需要安装“regex”模块：pip install regex。 - David C

好的，谢谢。如果没有安装正则表达式，我本以为会出现导入错误。 - Carsten

Answer 3

我很喜欢正则表达式，但在这里它们不是必需的。

只需要简单地。

s =  "123456789123456789"

n = 10
li = [ s[i:i+n] for i in xrange(len(s)-n+1) ]
print '\n'.join(li)

结果

1234567891
2345678912
3456789123
4567891234
5678912345
6789123456
7891234567
8912345678
9123456789

- eyquem

---

在此情况下，不需要使用正则表达式，因为您正在应用“在更大的数字系列中”的特殊知识，所以您已经知道每个位置 0 <= i < len(s)-n+1 都保证是一个十位数匹配的起点。另外，我认为您的代码可以加速，尝试进行代码高尔夫优化以提高速度会很有趣。 - smci

Answer 4

跟随接受的答案，下面的方法目前也有效。

import re
s = "123456789123456789"
matches = re.findall(r'(?=(\d{10}))',s)
results = [int(match) for match in matches]

- Michael

Answer 5

传统方式：

import re


S = '123456789123456789'
result = []
while len(S):
    m = re.search(r'\d{10}', S)
    if m:
        result.append(int(m.group()))
        S = S[m.start() + 1:]
    else:
        break
print(result)

- Avi Cohen