非贪婪模式的Python正则表达式

Question

我正在尝试学习一些正则表达式，使用的是Python。

我现在的任务是爬取报纸文章并查找人们死亡的情况。当我找到相关文章后，我会尝试获取一些其他信息的死亡计数。我正在努力想出一些模式，但有一个特别困难。看看这篇文章节选：

据部落消息和当地官员称，10月21日（星期天），美国无人机袭击也门一辆汽车，疑似击毙了三名基地组织武装分子。

我用来获取“三”的代码替换了整个文档，因此在应用任何模式之前，“三”就变成了“3”。与此示例相关的模式如下所示：

re.compile(r"(\d+)\s(:?men|women|children|people)?.*?(:?were|have been)? killed")

这个模式的想法是以数字开头，后面跟着可选的名词，例如列出的其中一个名词，然后在找到“dead”或“died”之前有最少的杂乱内容。我希望留出空间，使得这个模式可以匹配：

3 people have been killed since Sunday

并且仍然可以在示例中捕获该实例：

3 men thought to be al qaeda militants were killed

问题在于我使用的模式从文章的第一部分收集日期，并返回计数21。到目前为止，无论我如何摆弄都不能使范围限制在单词“男人”旁边的数字上，其后是动词短语，然后是相关的“被杀害”。如果能有所帮助，我会非常感激。对于正则表达式方面我并不精通。

- hyleaus

Answer 1

不要将men|women|children设为可选项，即去掉右括号后面的问号。正则引擎将在尽可能早的位置进行匹配，无论重复操作符是贪婪还是懒惰。

另外，或者也可以将“任何内容”模式仅匹配非数字字符，即用\D*?替换.*?。

- tripleee

---

\D 工作正常，从语法上讲似乎是最合理、最可扩展的。 - hyleaus

Answer 2

这是因为您使用了量词“？”来匹配数字后的“(?:men|women|children|people)”中的0或1个。因此，“21”将匹配成功，因为它有0个。请尝试删除量词，以确切地匹配其中一个：-

re.compile(r"(\d+)\s(?:men|women|children|people).*?(?:were|have been)? killed")

更新：- 如果要使用? quantifier并仍然获得所需的结果，则需要使用Look-Ahead正则表达式，以确保您的digit后面没有包含hiephen(-)的字符串，就像您的示例中一样。

re.compile(r"(\d+)(?!.*?-.*?)\s(?:men|women|children|people)?.*?(?:were|have been)? killed")

- Rohit Jain

---

指定一个明确的重复次数为一完全是多余的。 - tripleee

我不想要 {1}，因为有可能文章会这么写：‘星期天爆炸中有3人死亡...’ - hyleaus

@tripleee。是的，那是真的。我已经引用了那个东西。但 {1} 给了他使用另一个“量词”的方法。 - Rohit Jain

@hyleaus。然后您需要使用“Look-Behind”。检查它是否前面有一个“连字符（-）”，就像您的示例中一样。 - Rohit Jain

我尝试了你的版本，但解释器告诉我，向后查找需要一个固定宽度的模式。 - hyleaus

@hyleaus，抱歉，出现了问题。已编辑正则表达式，请尝试最新的版本。 - Rohit Jain

Answer 3

您使用了错误的语法(:?...)。您可能想要使用(?:...)。

---

使用正则表达式模式

(\d+).*?\b(?:men|women|children|people|)\b.*?\b(?:were|have been|)\b.*?\bkilled\b

或者如果这些单词之间只允许空格，则

(\d+)\s+(?:men|women|children|people|)\s+(?:were|have been|)\s+killed\b

- Ωmega

---

你说得对。那是错误的语法，但因为我只关心 .group(1)，所以它并没有影响结果。不过还是谢谢你的关注。 - hyleaus