正则表达式finditer：在相同的符号上搜索两次

Question

我需要在文本中找到匹配并获得其位置。 例如，我必须在文本中找到“你好你好”。 当文本是“hello hello world hello hello”时，没关系，我得到0-11和18-29的位置。 但是当文本是“hello hello hello world”时，我只得到一个位置 - 0-11。 但我必须找到两者（0-11和6-17）。 我的意思是，我明白了

1. 你好你好你好世界

但必须得到

1. 你好你好你好世界

2. 你好你好你好世界

在另一个案例中，我必须找到复杂的模式：“你好1,2美丽的世界” - 这意味着在“你好”和“美丽”这两个词之间可以是一两个词，而在“美丽”和“世界”2,3或4个字。 我必须找到所有的组合。

这是模式： re.compile(u'(^|[\\[\\]\\/\\\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@])(hello)(([\\[\\]\\/\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@%]+[a-zA-Zа-яА-Я$]+(-[a-zA-Zа-яА-Я$]+)*){1,2}[\\[\\]\\/\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@%]*)(beautiful)(([\\[\\]\\/\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@%]+[a-zA-Zа-яА-Я$]+(-[a-zA-Zа-яА-Я$]+)*){2,4}[\\[\\]\\/\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@%]*)(world)($|[\\[\\]\\/\\\\\\^\\$\\.\\|\\?\\*\\+\\(\\)\\{\\} !<>:;,#@])')

而文字是“你好非常美丽的非常大的世界”。 我可以得到唯一的组合，但需要得到4：

1. 你好非常美丽非常大的世界世界

2. 你好非常靓丽非常大的世界世界

3. 你好非常美丽非常大的世界世界

4. 你好非常靓丽非常大的世界世界

当比赛相互交叉时，如何获得比赛的所有组合？

国旗re.DOTALL没有帮助。

import re

patterns = [
    u'(hello)(( [a-z]+ *){1,2})(beautiful)(( [a-z]+ *){2,4})(world)',
    u'hello hello'
]
text = u'hello hello hello world hello very beautiful beautiful very big world world'
for p in patterns:
    print p
    c = re.compile(p, flags=re.I+re.U)
    for m in c.finditer(text):
        print m.start(), m.end()

结果是

>>> (hello)(( [a-z]+ *){1,2})(beautiful)(( [a-z]+ *){2,4})(world)
>>> 24 69
(need 24 69 and 24 69 and 24 75 and 24 75 - because there are two positions of the word "beautiful")
>>> hello hello
>>> 0 11
(need 0 11 and 6 17)

这些模式的真实例子是：

u“выйдитенаулицы”，u“избавить。*от”，u“смотритесмотрите”，u“смеят。*”

和距离：

имени0,3ленина

целых0,5лет。*

целых0,5лет。*0,1назад

UPD

变体u'(?=(hello hello))有助于图案之间没有距离。 但是如何在距离模式中使用它，例如(hello) (?:[a-zA-Zа-яА-Я]+ ){1,2}(beautiful) (?:[a-zA-Zа-яА-Я]+ ){2,4}(world) ？

Answer 1

我认为你可以尝试下面的表达而不是正则表达式，看起来不是那么好，但可能会解决你的问题：

表达：

 [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]

它为列表输出提供了模式在字符串中的位置。

In [43]: string = "hello very beautiful beautiful very big world world"
In [44]: pattern='hello'
In [45]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[45]: [0]
In [46]: pattern='very'
In [47]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[47]: [6, 31]
In [48]: pattern='world'
In [49]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[49]: [40, 46]
In [50]: pattern='very big'
In [51]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[51]: [31]

希望这可以帮助。

Answer 2

你的问题仍然没有明确你想做什么，但我会抓住它：

正则表达式在没有消费的情况下找到重复：

([a-zA-Zа-яА-Я]+)(?= (\1))

正则表达式找到hello beautiful和world的特定数量的单词之间：

(hello) (?:[a-zA-Zа-яА-Я]+ ){1,2}(beautiful) (?:[a-zA-Zа-яА-Я]+ ){2,4}(world)

最后更新

您想要做的事情是在一次运行中不能完全在正则表达式中完成。

更容易循环并执行不同的正则表达式：

for i in range(1,3):
    for j in range(2,5):
        regStr='(hello) (?:\w+ ){' + str(i) + '}(beautiful) (?:\w+ ){' + str(j) +'}(world)'

然后使用再次检查重复项

([a-zA-Zа-яА-Я]+)(?= (\1))