只有当匹配组与其他匹配组不同的时候才匹配

Question

我想使用正则表达式匹配每个以 w 开头并以 d 结尾的子字符串。

例如，对于输入 worldworld ，它应该返回 ('worldworld', 'world', 'world')。（注意：有两个 world，但它们是不同的，因为它们在字符串中的位置不同）

为此，我用以下正则表达式编写了这个程序：https://regex101.com/r/P9rUqU/2/

import re

s = '''worldworld'''

for g in re.finditer(r'(?=(w.*d))(?=(w.*?d))', s):
    print(g.start(1), g.end(1), g[1])
    print(g.start(2), g.end(2), g[2])
    print('-' * 40)

这将打印：

0 10 worldworld
0 5 world
----------------------------------------
5 10 world
5 10 world
----------------------------------------

它可以找到所有的子字符串，但有些是重复的（请注意组的起始和结束位置）。

我可以根据组的起始和结束位置筛选组，但我想知道是否可以通过更改正则表达式来仅返回唯一组。

我能否更改这个正则表达式以仅匹配与其他不同的组？如果可以，如何进行更改？我可以接受如何解决这个问题的建议。

- Andrej Kesely

---

在您所期望的输出中，有('worldworld'，'world'，'world')，但是您又声明不想要重复项。这到底是哪一个？ - Paolo

@UnbearableLightness 子字符串位置的重复。 - Andrej Kesely

测试字符串 wdddd 显示另一个问题（它永远不会匹配 wdd 或 wddd 前缀）。改用一对嵌套的 string.find() 循环，如何？ - Tim Peters

你不能仅仅依赖于 .* 和 .*?。那么 worldworldworld 呢？我猜你期望匹配所有的组合，对吗？我认为这不是正则表达式最好的应用场景。 - 41686d6564 stands w. Palestine

@AhmedAbdelhameed 是的，所有子字符串的组合。我在思考这个问题，但是也许正则表达式并不适合它。 - Andrej Kesely

@TimPeters 是的，你说得对。也许正则表达式并不适合它。 - Andrej Kesely

Answer 1

我不认为这可以通过单个正则表达式完成。但是使用嵌套循环很简单：

import re
test = "wddddd"
# need to compile the tail regexp to get a version of
# `finditer` that allows specifying a start index
tailre = re.compile("(d)")
for wg in re.finditer("(w)", test):
    start = wg.start(1)
    for dg in tailre.finditer(test, wg.end(1)):
        end = dg.end(1)
        print(test[start : end], "at", (start, end))

这会显示：

wd at (0, 2)
wdd at (0, 3)
wddd at (0, 4)
wdddd at (0, 5)
wddddd at (0, 6)

使用

test = "worldworldworld"

相反地：

world at (0, 5)
worldworld at (0, 10)
worldworldworld at (0, 15)
world at (5, 10)
worldworld at (5, 15)
world at (10, 15)

- Tim Peters

---

谢谢你的回答。是的，重复的链接告诉我单个正则表达式无法实现。我不知道你可以在正则表达式对象中加入“start”，今天我学到了 :) - Andrej Kesely

是的 - 许多正则表达式（和字符串）方法允许指定切片索引。这可以使一些看似棘手的任务变得简单高效（当然，在底层并没有提取任何切片 - 索引只是告诉方法从哪里开始（和停止）查找）。 - Tim Peters

Answer 2

一种选项是，对于懒惰的第二组，可以使用正向预查来匹配后面的.*d（贪婪模式），以确保如果懒惰的第二组匹配成功，它与贪婪的第一组不同：

(?=(w.*d))(?:(?=(w.*?d)(?=.*d)))?

https://regex101.com/r/UI9ds7/2

- CertainPerformance

---

正如上面的评论所解释的那样，这对于 worldworldworld 不起作用。 - 41686d6564 stands w. Palestine