Python正则表达式中使用\w无效。

Question

我希望有一个正则表达式，如果有两个单词，则查找短语及其前面的两个单词。例如，我有以下字符串（每行一个句子）：

Chevy is my car and Rusty is my horse. My car is very pretty my dog is red.

如果使用以下正则表达式：

re.finditer(r'[\w+\b|^][\w+\b]my car',txt)

I do not get any match.

If I use the regex:

re.finditer(r'[\S+\s|^][\S+\s]my car',txt)

我得到了：'s my car' 和 '. My car' （我忽略大小写并使用多行）

为什么正则表达式 \w+\b 找不到任何内容？它应该找到两个单词和 'my car'。

如果有两个单词在 'my car' 之前，我该如何获得这两个完整的单词？如果在 my car 之前只有一个单词，则应该得到该单词。如果没有任何单词在其前面，那么我应该只得到 'my car'。在我的字符串示例中，我应该得到：'Chevy is my car' 和 'My car'（这里没有前置单词）。

- andreSmol

---

请展示您正在使用的确切Python调用。 - Daniel Roseman

Answer 1

在你的r'[\w+\b|^][\w+\b]my car正则表达式中，[\w+\b|^]匹配一个符号，这个符号可以是一个单词字符、加号(+)、退格符、管道符(|)或者脱字符(^)，而[\w+\b]匹配一个符号，这个符号可以是一个单词字符或者加号或者退格符。

重点是在字符类中，量词和许多特殊字符(但不是全部)都会匹配字面符号。例如[+]匹配加号，[|^]匹配管道符或者脱字符。由于您想要匹配一个序列，因此需要在字符类之外提供一组子模式来匹配。

看起来你想使用\b作为单词边界，然而，在字符类内部，\b只匹配退格字符。

为了找到两个单词和"my car"，你可以使用如下方式：

\S+\s+\S+\s+my car

请查看正则表达式演示（这里，\S+匹配一个或多个非空格符号，\s+匹配1个或多个空格符号，这两个连续的子模式的2个出现次数将这些符号作为序列匹配）。

要使my car前面的序列可选，只需使用{0,2}量词，如下所示：

(?:\S+[ \t]+){0,2}my car

参见此正则表达式演示（需使用re.IGNORECASE标志）。请参见Python演示：

import re
txt  = 'Chevy is my car and Rusty is my horse.\nMy car is very pretty my dog is red.'
print(re.findall(r'(?:\S+[ \t]+){0,2}my car', txt, re.I))

详情:

• (?:\S+[ \t]+){0,2} - 匹配0到2个由1个或多个非空白字符后跟1个或多个空格或制表符组成的序列（您也可以将其替换为[^\S\r\n]以匹配任何水平空格或\s，如果您还打算匹配换行符）。
• my car - 一个字面文本my car。

- Wiktor Stribiżew

---

但是要注意，在正则表达式 [^|] 中，插入符号 确实 有一个特殊的含义，尽管不同 - 它使字符类匹配任何不在该类中的字符（例如，在这种情况下除了 | 字符之外的任何字符）... - Tim Pietzcker

@TimPietzcker：是的，实际上，那部分应该在SO文档中进行描述。不过，目前还没有这样的解释。 - Wiktor Stribiżew

我想问一下，为什么\b在单词“之间”时的行为不如预期，您是否可以详细说明一下。但是由于似乎是由OP作为“随机插入代码直到其正常运行”的例程之一添加的，所以我将放弃它... - Jongware

如果我逐句处理，则建议的正则表达式可以正常工作。但是，如果我使用包含多行文本并在不同位置出现'my car'的字符串执行正则表达式，则无法正常工作。我需要将“序列开始”设置为选项。这个正则表达式r'(\S+\s+|^){0,2}my car'似乎可以更好地解决问题。 - andreSmol

也许re.findall(r'(?:\S+[ \t]+){0,2}my car', txt, re.I)？完全放弃^，使用更简单的[ \t]字符类来避免匹配换行符。 - Wiktor Stribiżew