正则表达式在re.finditer中如何包含特殊字符的模式

Question

我试图使用re.finditer获取字符串中单词的起始和结束索引号。

对于大多数情况，我的模式工作正常，但是对于具有特殊字符的单词，我的正则表达式会导致错误。

问题：

我尝试了：

a = " we have c++ and c#"
pattern = ['c#','c++']
regex = re.compile(r'\b(' + '|'.join(pattern) + r')\b')
out = [ (m.start(0), m.end(0)) for m in regex.finditer(a)]

当前输出：

error: multiple repeat at position x

期望输出：

[(9,12),(17,19)]

大多数情况下，我的模式都能正常工作， 但是涉及到特殊字符的单词时，我遇到了问题。 我对正则表达式不太熟悉，请有经验的人帮忙解决一下，谢谢！

- sai kumar

Answer 1

代码：

a = " we have c++ and c#"
pattern = [ r'\b{}(?=\s|$)'.format(re.escape(s)) for s in ['c#','c++']]
regex = re.compile('|'.join(pattern))
[ (m.start(0), m.end(0)) for m in regex.finditer(a)]

细节：

第一个问题是特殊字符；您可以手动转义特殊字符。

'c\\+\\+', 'c\\#\\#']

或者，您可以使用re.escape来简化操作，它将为您完成此工作。

re.escape('c++, c##')

第二个问题是单词边界，特殊字符与字母数字字符的行为不同，例如\bfoo\b 引用自Python文档： word boundary 匹配空字符串，但仅在单词的开头或结尾。单词被定义为字母数字或下划线字符的序列，因此单词的结尾由空格或非字母数字、非下划线字符表示。请注意，正式地说，\b被定义为\w和\W字符（或反之亦然）之间的边界，或者在字符串的开头/结尾和\w之间的边界，因此被视为字母数字字符的确切字符集取决于UNICODE和LOCALE标志的值。例如，r'\bfoo\b'匹配'foo'、'foo.'、'(foo)'、'bar foo baz'，但不匹配'foobar'或'foo3'。

要使其工作，您可以使用正向先行断言。 r'\b{}(?=\s|$)' 它在您的模式后寻找空格字符 (\s) 或句子结尾 ($)。

- Anurag Wagh