如何使用正则表达式进行分组匹配，且分组数量不确定

Question

我想在程序输出日志上执行正则表达式匹配（Python）。该日志包含一些看起来像这样的行：

... 
VALUE 100 234 568 9233 119
... 
VALUE 101 124 9223 4329 1559
...

我想捕获在以VALUE开头的行的第一次出现之后出现的数字列表。例如，我希望它返回（'100'，'234'，'568'，'9233'，'119'）。问题是，我不知道预先有多少个数字。

我尝试使用这个正则表达式：

VALUE (?:(\d+)\s)+

这个正则表达式匹配了这一行，但它只捕获了最后一个值，所以我只得到('119',)。

- Lorin Hochstein

---

根据之前的问题，我发现使用正则表达式是不可能的：https://dev59.com/UnRB5IYBdhLWcg3w7riV - Lorin Hochstein

Answer 1

你需要的是一个解析器，而不是正则表达式匹配。在你的情况下，我会考虑使用一个非常简单的解析器，split()函数：

s = "VALUE 100 234 568 9233 119"
a = s.split()
if a[0] == "VALUE":
    print [int(x) for x in a[1:]]

你可以使用正则表达式来查看输入行是否与所期望的格式匹配（使用你问题中的正则表达式），然后您可以运行上面的代码，而无需检查"VALUE"并且知道int(x)转换始终成功，因为您已经确认以下字符组均为数字。

- Greg Hewgill

Answer 2

>>> import re
>>> reg = re.compile('\d+')
>>> reg.findall('VALUE 100 234 568 9233 119')
['100', '234', '568', '9223', '119']

这并不能验证关键字“VALUE”是否出现在字符串开头，也不能验证项之间是否恰好有一个空格，但如果您可以将其作为单独步骤完成（或者根本不需要完成），那么它将在任何字符串中查找所有数字序列。

- Ian Clelland

Answer 3

这里没有介绍的另一个选项是设置一堆可选捕获组。

VALUE *(\d+)? *(\d+)? *(\d+)? *(\d+)? *(\d+)? *$

这个正则表达式可以捕获由空格分隔的最多5个数字组。如果需要更多的数字组，请复制并粘贴更多的*(\d+)?块。

- Scottmas

Answer 4

你可以先运行主要的匹配正则表达式，然后在这些匹配项上运行第二个正则表达式以获取数字：

matches = Regex.Match(log)

foreach (Match match in matches)
{
    submatches = Regex2.Match(match)
}

当然，如果您不想编写完整的解析器，这也是可以的。

- Chris J

---

这是哪种编程语言？ - mwil.me

Answer 5

我遇到了同样的问题，我的解决方法是使用两个正则表达式：第一个匹配我感兴趣的整个组，第二个解析子组。例如，在这种情况下，我会从这里开始：

VALUE((\s\d+)+)

这将产生三个匹配项：[0] 整行，[1] value 后的内容，[2] 最后一个空格+value。

[0] 和 [2] 可以忽略，然后可以使用 [1] 与以下内容一起使用：

\s(\d+)

注意：这些正则表达式未经过测试，但我希望你能理解它们的意思。

---

格雷格的答案对我来说不起作用的原因是，解析的第二部分更加复杂，不仅仅是一些由空格分隔的数字。

然而，对于这个问题，我会诚实地采用格雷格的解决方案（它可能更有效率）。

我只是写下这个答案，以防有人像我一样需要一个更复杂的解决方案。

- Christian

Answer 6

你可以使用 re.match 进行匹配检查，然后调用 re.split 使用正则表达式作为分隔符进行分割。

>>> s = "VALUE 100 234 568 9233 119"
>>> sep = r"\s+"
>>> reg = re.compile(r"VALUE(%s\d+)+"%(sep)) # OR r"VALUE(\s+\d+)+"
>>> reg_sep = re.compile(sep)
>>> if reg.match(s): # OR re.match(r"VALUE(\s+\d+)+", s)
...     result = reg_sep.split(s)[1:] # OR re.split(r"\s+", s)[1:]
>>> result
['100', '234', '568', '9233', '119']

分隔符"\s+"可以更加复杂。

- H. Chan