非贪婪的前瞻正则表达式

Question

我需要在Python中从一个文件中提取一些数据。它的结构如下：

.I 1
.T
some multiline text
.A
some multiline text
.B
some multiline text
.W
some multiline text
.I 2
.T
some multiline text
.A
some multiline text
.B
some multiline text
.W
some multiline text

你看到了，有一些重复的模式。我需要逐个提取它们。这是我的正则表达式：

\.I\s(\d*)\n       # .I section
\.T\n([\d\D]*?)    # .T section
\.A\n([\d\D]*?)    # .A section
\.B\n([\d\D]*?)    # .B section
\.W\n([\d\D]*)     # .W section
(?=\.I\s+\d+)     # look ahead section, which behaves greedy

一切都很好，但最后一个部分（lookahead）是贪婪的。我需要一个非贪婪的lookahead正则表达式，但我找不到它。

我们可以使用*？ +？{m，n}？应用非贪婪行为，但我无法找到这样的语法来使用(?=...)。

当我使用这个正则表达式搜索匹配项时，它只找到一个匹配项，而实际上有两个。这是因为lookahead运算符的贪婪性质。如何使用非贪婪的lookahead呢？

- Fartab

---

你需要 \.W\n([\d\D]*?) 吗？ - Julien Spronck

然后移除前瞻。它们不能贪婪或懒惰。它们限制了匹配。如果你的前瞻只包含可选子模式，那么它是无用的。 - Wiktor Stribiżew

@Fartab ... 它应该匹配，你的 .W 部分与其他部分没有区别，它应该同样工作。 - Julien Spronck

@Fartab 另外，我在 regex101 上测试了下面的正则表达式（见我的答案），似乎可以匹配一切正确。 - Julien Spronck

哦，我忘了，@WiktorStribiżew 也谢谢你。 - Fartab

Answer 1

我不明白为什么向前查找的贪婪性很重要，我预计以下内容可以工作：

\.I\s(\d*)\n
\.T\n([\d\D]*?)
\.A\n([\d\D]*?)
\.B\n([\d\D]*?)
\.W\n([\d\D]*?)
(?=\.I\s+\d+|$)

现在我想想，我认为Wiktor Stribiżew是正确的。向前查找不能贪婪或懒惰：要么匹配成功，要么失败，而它匹配的内容并不重要。

- Julien Spronck

---

我的错误是在.W部分后面漏了问号，并且最后一个匹配需要加上美元符号。感谢@Julien。 - Fartab

它匹配的内容很重要！你如何告诉它匹配第一个而不是最后一个？ - Matt Arnold

@MattArnold 前瞻不会消耗任何字符；它只是断言在当前扫描位置，您可以匹配一些正则表达式，但无论如何它实际上都不会推进扫描位置来匹配/消耗字符。例如，如果我想确保字符串s至少包含一个小写ASCII字符，则可以使用m = re.match(r'(?=.*[a-z])', s)或m = re.match('(?=.*?[a-z])', s)，每个正则表达式将为给定的输入返回相同的m值，如果m不是None，则m.group(0)仍将是空字符串。 - Booboo

@Booboo 但是在使用 REGEX 进行查找和替换时，匹配到的小写字符实例确实很重要。 - Matt Arnold