Python的re.findall()方法无法按预期工作

Question

我有这段代码：

import re
sequence="aabbaa"
rexp=re.compile("(aa|bb)+")
rexp.findall(sequence)

这会返回 ['aa']

如果我们有

import re
sequence="aabbaa"
rexp=re.compile("(aa|cc)+")
rexp.findall(sequence)

我们得到了['aa','aa']

为什么会有差异，为什么（第一次）我们没有得到['aa'，'bb'，'aa']？

谢谢！

- Dale Myers

Answer 1

所述的不良行为归结于您构建正则表达式的方式：

rexp=re.compile("(aa|bb)+")

括号 (aa|bb) 形成了一个组。

如果我们查看 findall 的文档，我们会看到这个内容：

返回字符串中模式的所有不重叠匹配项，以字符串列表的形式。字符串从左到右扫描，并按找到的顺序返回匹配项。 如果模式中存在一个或多个组，则返回一个组列表；如果模式有多个组，则这将是一个元组列表。结果包括空匹配项，除非它们与另一个匹配项的开头相接触。**

由于您形成了一个组，因此首先匹配了 aa，然后是 bb，接着是 aa（因为有 + 量词）。所以这个组最终包含的是 aa。而 findall 返回这个值在列表中的表示为 ['aa']（因为整个表达式只有一个匹配项 aabbaa，因此列表只包含一个元素 aa，保存在该组中）。

根据您提供的代码，您似乎想要做到这一点：

>>> rexp=re.compile("(?:aa|bb)+")
>>> rexp.findall(sequence)
['aabbaa']

(?: ...) 不创建任何组，因此findall返回整个表达式的匹配结果。

在您的问题末尾，您展示了所需的输出。这可以通过查找aa或bb来实现。不需要量词符（+或*），只需按照Inbar Rose答案中的方法即可：

>>> rexp=re.compile("aa|bb")
>>> rexp.findall(sequence)
['aa', 'bb', 'aa']

- ovgolovin

---

我试图用一种非常复杂的方式来表达这个问题，你以一种清晰明了的方式解释得很好。再加上引用文档的做法真是太棒了。+1 - Inbar Rose

Answer 2

让我解释一下你正在做什么：

regex = re.compile("(aa|bb)+")

你正在创建一个正则表达式，该表达式将查找aa或bb，然后尝试查找是否有更多的aa或bb，并且它将继续查找aa或bb，直到找不到为止。由于你想要你的捕获组只返回aa或bb，那么你只会得到最后一个被捕获/找到的组。

但是，如果你有这样的字符串：aaxaabbxaa，你将得到aa,bb,aa，因为你首先查看字符串并找到aa，然后查找更多，并且只找到了一个x，所以你有1个组。然后你找到另一个aa，但接着你找到了一个bb，然后是一个x，所以你停止了，并且你有第二个组，即bb。然后你找到了另一个aa。因此，你的最终结果是aa,bb,aa。

我希望这解释了你在做什么，而且这也是预期的。要获取任何aa或bb组，你需要删除+，它是告诉正则表达式在返回匹配之前寻找多个组，并且只让正则表达式返回每个aa或bb的匹配项...

因此，你的正则表达式应该是：

regex = re.compile("(aa|bb)")

干杯。

- Inbar Rose

---

太好了，谢谢。我完全想不出来。 - Dale Myers

在标记答案时，可以将它们标记为“不是答案”，而不是“非常低质量”吗？这对我们处理这些标记非常有帮助。谢谢！ - casperOne

Answer 3

你的模式

rexp=re.compile("(aa|bb)+")

匹配整个字符串aabbaa。为了澄清，只需看这个

>>> re.match(re.compile("(aa|bb)+"),"aabbaa").group(0)
'aabbaa'

同时不允许出现其他子串匹配

>>> re.match(re.compile("(aa|bb)+"),"aabbaa").group(1)
'aa'

因此，findall 只会返回一个子字符串

>>> re.findall(re.compile("(aa|bb)+"),"aabbaa")
['aa']
>>> 

- dileep nandanam

Answer 4

我不明白为什么您使用+ - 它表示0或1次出现，并且通常用于当您想要查找包含子字符串的可选情况时。

>>> re.findall(r'(aa|bb)', 'aabbaa')
['aa', 'bb', 'aa']

按预期工作

- volcano

---

不，+并不意味着0或1，那应该是?。+表示1个或更多。 - halex

你的逻辑有误，但你的答案是正确的。+ 表示 一个或多个匹配, 而 ? 表示 匹配零个或一个. 我不知道你所说的 "通常用于在要查找包含子字符串的可选字符串时" 是什么意思，但这很误导人。答案是，如果你想捕获具有可选值的组，你可以按照你之前的回答进行操作。在正则表达式中包含一个 + 会导致它寻找多个捕获组并仅返回它捕获的最后一个捕获组，如果它们是连续/相互跟随的。 - Inbar Rose

好的，我明白了。我已经有一段时间没有使用正则表达式了，对于我的目的来说太重了。 - volcano