获取重叠匹配的起始和结束索引？

Question

我需要知道下一个正则表达式匹配的起始和结束索引：

pat = re.compile("(?=(ATG(?:(?!TAA|TGA|TAG)\w\w\w)*))")

例子字符串是s='GATGDTATGDTAAAA'

pat.findall(s)返回所需匹配项['ATGDTATGD', 'ATGDTAAAA']。如何提取开始和结束索引？我尝试了：

iters = pat.finditer(s)
for it in iters:
    print it.start()
    print it.end()

然而，it.end() 总是与 it.start() 相重合，因为我的模式的开头从 (?= 开始，所以它不会消耗任何字符串（我需要它来捕获重叠匹配）。显然，pat.findall 提取了所需的字符串，但如何获取起始和结束索引？

- ashim

---

抱歉，我误解了您的问题——一开始我不清楚您所说的重叠匹配是什么意思。但是，有时候人们在真诚地尝试帮助时会犯错误——鉴于此，我认为您的态度是不必要的。向某人礼貌地解释他们可能误解了您并不难——大多数人在被礼貌地告知后都会感到道歉并寻求正确的方法——有时甚至会比没有误解时更加努力地去做，出于弥补自己的错误的愿望。通过粗鲁的行为，您放弃了所有的考虑。 - Andrew Cheong

抱歉如果我有失礼。我很感激你想要帮助的愿望。 - ashim

我看到你删掉了其他的评论——也许是我误判了你——很抱歉在发帖前没有花更多时间理解你的问题。 - Andrew Cheong

Answer 1

正如@Tomalak所说，正则表达式引擎没有内置的重叠匹配概念，因此找不到“聪明”的解决方案（这被证明是错误的 - 请参见下文）。但是用循环来做很简单：

import re
pat = re.compile("ATG(?:(?!TAA|TGA|TAG)\w\w\w)*")
s = 'GATGDTATGDTAAAA'
i = 0
while True:
    m = pat.search(s, i)
    if m:
        start, end = m.span()
        print "match at {}:{} {!r}".format(start, end, m.group())
        i = start + 1
    else:
        break

它用来显示...

match at 1:10 'ATGDTATGD'
match at 6:15 'ATGDTAAAA'

这个功能是通过从上次匹配的起始位置向后一个字符重新开始搜索，直到没有更多匹配项为止来实现的。

“聪明”还是定时炸弹？

如果您想冒险生活，可以对原始的finditer代码进行两个字符的更改：

print it.start(1)
print it.end(1)

也就是说，获取第一个(1)捕获组的开始和结束。如果不传递参数，您将得到整个匹配的开始和结束-但是，匹配断言始终匹配空字符串(因此开始和结束相等)，这是一种危险的做法，因为断言内部的捕获组(无论是正向预查还是反向预查、正面还是负面等)的语义最多也是模糊的。很难说您是否可能会意外发现错误(或实现问题)！这很可爱。编辑:经过一夜的睡眠和Python-Dev的简短讨论，我认为这种行为是有意的(因此也很可靠)。要查找正则表达式R的所有(可能重叠的!)匹配项，请像这样包装它:

pat = re.compile("(?=(" + R + "))")

然后

for m in pat.finditer(some_string):
    m.group(1)  # the matched substring
    m.span(1)   # the slice indices of the match substring
    # etc

运行良好。

最好将(?=(R))解释为“在此处匹配空字符串，但仅当R从此处开始，并且如果成功，则将关于R匹配的信息放入第1组中”。然后finditer()按照常规方法进行匹配空字符串：它将搜索的起始位置移动到下一个字符，并再次尝试匹配（与我第一个答案中的手动循环相同）。

使用findall()会更加棘手，因为如果R还包含捕获组，您将得到所有这些组（无法像使用finditer()返回的匹配对象那样挑选和选择）。

- Tim Peters

---

@Tim Peters 有趣的建议，只需要更改两个字符。我自己也考虑过这个问题，试图添加0，因为我认为我正在匹配整个匹配！所以在这种情况下，整个组为空，但子组不为空 :-) - ashim

@msh，没错！这正是我犹豫依赖它的原因：在空匹配中存在非空匹配的概念只会让人想到“错误警报！”;-) - Tim Peters

@Tim看起来我在理论上是对的，但在实践中却是错的。.NET正则表达式做了同样的事情 - 即使匹配的总长度为0，您也可以提取断言内组的长度。 - Tomalak

@Tomalak，我们在同一艘船上；-) 现在正试图在 Python-Dev 邮件列表上讨论它。 - Tim Peters

Answer 2

正则表达式中不存在重叠匹配。

要么匹配，要么不匹配。任何匹配的内容只能是一个匹配/子匹配的一部分。

预先查看是短暂的，它们不会增加任何实际的计数器。

- Tomalak

---

你在 finditer() 中的 .start() 和 .end() 索引返回相同的数字，因为正则表达式中没有重叠的匹配项。但是，你可以相信其他的事情。 - Tomalak

如果您编辑了您的回答，我可以取消踩，否则踩将被锁定。 - ashim

不，我不会这样做。也许下次在投反对票之前你可以多花点时间考虑。 - Tomalak