如何使用正则表达式查找重叠的匹配？

Question

>>> match = re.findall(r'\w\w', 'hello')
>>> print match
['he', 'll']

\w\w表示两个字符，因此期望的是'he'和'll'。但为什么'el'和'lo'不符合这个正则表达式呢？

>>> match1 = re.findall(r'el', 'hello')
>>> print match1
['el']
>>>

- futurenext110

---

"Lookahead" 的意思是 "向前查找"，在正则表达式中这是一种非捕获性分组，用于匹配某个位置之后紧跟着指定模式的字符。它可以帮助我们处理重叠的匹配问题，避免出现重复匹配的情况。 - Pavan Manjunath

Answer 1

findall默认情况下不会产生重叠的匹配结果。但是，这个表达式可以：

>>> re.findall(r'(?=(\w\w))', 'hello')
['he', 'el', 'll', 'lo']

这里的(?=...)是一种前向断言:

(?=...)匹配如果...紧随其后，但不会消耗字符串。这被称为前向断言。例如，Isaac (?=Asimov)只会匹配'Isaac '如果它后面跟着'Asimov'。

- Otto Allmendinger

---

但我不明白为什么如果它在正向预查中，它会继续前进到下一个字母。能否请你解释一下？ - MrZH6

我猜这是由于组捕获（\w\w周围的大括号）引起的。实际匹配仍然是一个空字符串，而第1组填充了\w\w（您可以在https://regex101.com/上测试）。因此，我认为它在组中捕获它，但不会超过它，因为匹配长度为零。而Python的re.findall将打印捕获的组https://docs.python.org/3/library/re.html#re.findall - Sviatozar Petrenko

Answer 2

你可以使用支持重叠匹配的新的 Python 正则表达式模块regex。

>>> import regex as re
>>> match = re.findall(r'\w\w', 'hello', overlapped=True)
>>> print match
['he', 'el', 'll', 'lo']

- David C

Answer 3

除了零长度断言外，输入中的字符始终会在匹配过程中被消耗。 如果您需要捕获输入字符串中特定字符多次出现的情况，您将需要在正则表达式中使用零长度断言。

有几种零长度断言（例如 ^ （输入/行开头）， $ （输入/行结尾）， \ b （单词边界）），但是环视（ (? <=) 正向后查找和 (? =) 正向前查找）是唯一一种可以从输入中捕获重叠文本的方法。负向环视（ (? 负向后查找， (？！)负向前查找）在这里不太有用：如果它们为真，则内部捕获失败；如果它们为假，则匹配失败。这些断言是零长度的（如前所述），这意味着它们会在不消耗输入字符串中的字符的情况下进行断言。 如果断言通过，它们实际上将匹配空字符串。

应用上述知识，适用于您情况的正则表达式将是：

(?=(\w\w))

- nhahtdh

Answer 4

虽然我不是正则表达式专家，但我想回答一个类似的问题。

如果你想在前瞻中使用捕获组：

示例正则表达式：(\d)(?=.\1)

字符串：5252

这将匹配第一个5和第一个2

(\d)用于创建一个捕获组，(?=\d\1)用于匹配任何数字后跟捕获组1而不消耗字符串，从而允许重叠。

- Obay Abd-Algader