如何使用|进行正则表达式匹配？

Question

import re
s6 = '''Male : abc
   Male : def'''
re.findall(r'(.*):|:(.*)', s6)

我的输出：

[('Male ', ''), ('            Male ', '')]

我的期望输出：

[('Male','abc'),('Male','def')]

当我使用re.findall(r'(.*):', s6)时，我得到的是['Male ', ' Male ']，而当我使用re.findall(r':(.*)', s6)时，我得到的是[' abc', ' def']。当我使用|符号时，输出结果是错误的。

免责声明：请勿使用re.split 我已经使用了\w+也能够工作，但我想要一个以下格式的表达式。我已经使用了re.findall(r'\s*(\w+)\s*:|:\s*(\w+)', s6)，但它不能单独工作。使用\s*(\w+)\s*:和:\s*(\w+)', s6时，它可以工作。

我想知道为什么使用|时它不能工作。

- sre

Answer 1

交替运算符|表示“匹配此正则表达式，否则匹配那个正则表达式”。这两个子表达式无法同时匹配。如果第一个是匹配项，则第二个甚至不会被检查。

要从冒号的两侧提取内容，只需创建一个正则表达式，在同一匹配中捕获两侧的文本即可。

re.findall(r'([^\n:]+):([^\n:]+)', s6)

为了删除匹配结果周围的空白字符，你需要使用一个更加复杂的正则表达式，但是当你知道匹配字符串总是单个标记（即每个标记都是没有空格的单个字母字符串）时，也可以不必这样做。

re.findall(r'(\w+)\s*:\s*(\w+)', s6)

也许针对多个令牌尝试这样做：

re.findall(r'\s*([^\n:]+?)\s*:\s*([^\n:]+?)(?=\s*(?:\n|$))', s6)

我们在非贪婪匹配和贪婪匹配之间交替使用，以获得最短的符合正则表达式条件的字符串。

或者，您可以利用贪婪匹配的特性来使其为您所用：

re.findall(r'(\w+(?:[^\n\S]+\w+)*)\s*:\s*(\w+(?:[^\n\S]+\w+)*)', s6)

我们将尽可能多的空格分隔的标记捕获到匹配中，只要空格不包含换行符。

更详细地说，e+尽可能多地匹配(贪婪匹配)，而e+?尽可能少地匹配(非贪婪或吝啬匹配)。(?=...)是一个前瞻，它要求后面的表达式匹配，但不捕获或消耗匹配文本。因此，当将e(?=e)应用于文本eee时，它首先匹配初始的e，然后在下一次findall迭代中找到紧随其后的一个，即使它已经参与满足上一个匹配。当然，(?:...)是普通的非捕获组括号，[^\n\S]是一个字符类，它匹配任何一个不是换行符的字符，也不是空格类的成员 - 因此实际上是除了换行符之外的任何空格。

请注意，我们明确避免在捕获表达式中匹配冒号或换行符。

新手：“我怎么才能匹配所有这些字符串？”
大师：“我怎么只匹配这些字符串？”

- tripleee

---

感谢您回答这个问题。很少见到有人想要在这里学习，而我们中的一些人（环顾四周）只是发布复制粘贴的解决方案，忽略了它并没有回答他所问的问题。 - user1600649

Answer 2

这个不起作用是因为第一个匹配项消耗了锚点（冒号），所以第二个匹配项永远不会被匹配到。你需要使用断言来解决这个问题，但对于这种情况来说这样做太过复杂。

import re
compiled = re.compile(r'((\w+)\s*(?=:)|(?<=:)\s*(\w+))') 
s6 = '''Male : abc 
    Male : def''' 
re.findall(compiled, s6)                                                                                                                                                                            

# Output:
[('Male ', 'Male', ''),
 (' abc', '', 'abc'),
 ('Male ', 'Male', ''),
 (' def', '', 'def')]

现在您需要对已有的列表进行后处理，不建议使用此输入。简而言之：不要使用一个锚点来代替两种情况。

- user1600649

Answer 3

如果你需要所有的单词，只需使用'\w+'：

s6 = '''Male : abc
   Male : def'''
re.findall('\w+', s6)

输出：

['Male', 'abc', 'Male', 'def']

- Chris

Answer 4

我们可以尝试在一个或多个非单词字符上拆分您的字符串：

s6 = """Male : abc
Male : def"""
words = re.split(r'\W+', s6)
print(words)

['Male', 'abc', 'Male', 'def']

- Tim Biegeleisen

Answer 5

你只需匹配你所需的内容，

s6 = '''Male : abc
   Male : def'''
re.findall('[a-zA-Z]+', s6)

- LF00