提取仅包含字母数字的单词的正则表达式

Question

我正在寻找一个正则表达式，用于提取仅包含字母数字字符的单词：

string = 'This is a $dollar sign !!'
matches = re.findall(regex, string)
matches = ['This', 'is', 'sign']

这可以通过对字符串进行分词，并使用以下正则表达式逐个评估每个标记来完成：

^[a-zA-Z0-9]+$

由于性能问题，我希望能够提取包含字母和数字的令牌，而不需要对整个字符串进行标记化处理。我找到的最接近的方法是：

regex = \b[a-zA-Z0-9]+\b

但它仍然提取包含字母数字字符的子字符串：

string = 'This is a $dollar sign !!'
matches = re.findall(regex, string)
matches = ['This', 'is', 'dollar', 'sign']

有没有一个正则表达式可以做到这一点？我尝试过不同的方式，但是无法得出解决方案。

- GRoutar

---

提示：您不能使用 \b，因为在 $ 和 dollar 之间存在一个单词边界。 - kindall

Answer 1

不要使用单词边界，而是使用向前和向后查找空格（或字符串的开头/结尾）：

(?:^|(?<= ))[a-zA-Z0-9]+(?= |$)

https://regex101.com/r/TZ7q1c/1

请注意，“a”是一个独立的字母数字单词，因此也包含在内。

['This', 'is', 'a', 'sign']

- CertainPerformance

---

为了避免缓慢的逐个字符前向跟踪，我考虑使用占有匹配，然后在后面跟随非空格时使用(*SKIP)(*FAIL)，但这需要正则表达式模块，它比本地的re更慢，并且尽管步骤较少，但不提供任何速度改进\s*\K[a-zA-Z0-9]*+(?:\S+(*SKIP)(*FAIL))?。 - CertainPerformance

谢谢你的回答。这正是我所寻找的。那么，在这种情况下，我想使用本地re仍然值得吗？另外，你认为这比@hegash提供的解决方案还要快吗？ - GRoutar

Answer 2

不需要使用正则表达式，Python内置了isalnum字符串方法。请看以下示例：

string = 'This is a $dollar sign !!'

matches = [word for word in string.split(' ') if word.isalnum()]

- hegash

---

谢谢你提醒我，我不知道。另一方面，我正在寻找性能最佳的解决方案。我会进行测试，但我相信正则表达式比根据条件迭代字符串并拆分它要快。 - GRoutar

Answer 3

[感谢Khabz的评论，我误解了问题]

根据您的意图，您也可以选择“分割”而不是“匹配”。

 >>> matches = re.split(r'(?:\s*\S*[\$\!]+\S*\s*|\s+)', string)

 ['This', 'is', 'a', 'sign', '']

如果您需要删除前导或尾随的空字符串：

>>> matches = [x for x in re.split(r'(?:\s*\S*[\$\!]+\S*\s*|\s+)', a) if x ]
['This', 'is', 'a', 'sign']

CertainPerformance使用前后查找的方式进行响应是最紧凑的。当指定排除内容时，使用split有时会更有优势，即上面的正则表达式描述了需要排除的内容。然而，在这种情况下，指定包含字母数字，因此使用split()不是一个好主意。

- user2468968

---

我认为"findall"是等效的。尽管如此，您提供的解决方案不符合要求。"dollar"不应该匹配，因为该单词包含一个非字母数字字符("$dollar")。 - GRoutar