如何排除包含常量字符串的正则表达式匹配项

Question

我需要帮助理解正则表达式中的排除项。

我从我的 Jupyter 笔记本中开始：

import re

file = open('names.txt', encoding='utf-8')
data = file.read()
file.close()

然后我无法让我的排除工作。 读取的文件中有 12 个电子邮件字符串，其中 3 个包含“.gov”。

有人告诉我这只会返回那些不是 .gov 的：

re.findall(r'''
    [-+.\w\d]*\b@[-+\w\d]*.[^gov]
''', data, re.X|re.I)

它没有。 它返回所有电子邮件并排除“@”之后的“gov”中的任何字符； 例如：

abc123@abc.c     # 'o' is in 'gov' so it ends the returned string there
456@email.edu
governmentemail@governmentaddress.      #'.gov' omitted

我试过用？！ 我在网上找到的各种形式都无济于事。

例如，有人告诉我以下语法将排除整个匹配项而不仅仅是那些字符：

#re.findall(r'''
#    ^/(?!**SPECIFIC STRING TO IGNORE**)(**DEFINITION OF STRING TO RETURN**)$
#''', data, re.X|re.I)

然而，以下只是返回一个空列表：

#re.findall(r'''
#    ^/(?!\b[-+.\w\d]*@[-+.\w\d]*.gov)([-+.\w\d]*@[-+.\w\d].[\w]*[^\t\n])$
#''', data, re.X|re.I)

我试图使用这个问题的建议：

正则表达式匹配不包含单词的行

re.findall(r'''

    [-+.\w\d]*\b@[-+\w\d]*./^((?!.gov).)*$/s  # based on syntax /^((?!**SUBSTRING**).)*$/s
                          #^ this slash is where different code starts
''', data, re.X|re.I)

这应该是内联语法，我认为通过包含斜杠我可能会犯错误：

re.findall(r'''
    [-+.\w\d]*\b@[-+\w\d]*./(?s)^((?!.gov).)*$/  # based on syntax /(?s)^((?!**SUBTRING**).)*$/
''', data, re.X|re.I)

这将返回一个空列表：

re.findall(r'''
    [-+.\w\d]*\b@[-+\w\d]*.(?s)^((?!.gov).)*$  # based on syntax (?s)^((?!**SUBTRING**).)*$
''', data, re.X|re.I)

请帮助我了解如何使用？！ 或 ^ 或其他排除语法以返回不包含其他指定字符串的指定字符串。

谢谢！！

Answer 1

关于您尝试的模式的一些说明

• 这部分模式[-+.\\w\\d]*\\b@可以缩短为[-+.\\w]*\\b@因为\\w也匹配\\d并注意它也不会匹配点

• 使用[-+.\\w\\d]*\\b@将阻止在@之前匹配破折号，但它可以匹配---a@.a

• 字符类[-+.\\w\\d]*重复 0+ 次，但它永远不能匹配 0+ 次，因为单词边界\\b在空格或行首和@之间不起作用

• 请注意，不要逃避 dot . 将匹配除换行符以外的任何字符

• 这部分^((?!.gov).)*$是一个缓和的贪婪标记，它将从字符串的开头匹配除换行符之外的任何字符，断言右边的不是任何字符，除了换行符后跟gov直到字符串的结尾

一种选择是使用缓和的贪婪令牌来断言@之后不存在.gov 。

[-+.\w]+\b@(?:(?!\.gov)\S)+(?!\S)

关于分离部分的说明

• [-+.\\w]+匹配 1+ 次任何列出的
• \\b@词边界和匹配@
• (?:非捕获组
  • (?!负前瞻，断言右边的不是
    • \\.gov匹配.gov
  • )关闭前瞻
  • \\S匹配一个非空白字符
• )+关闭非捕获组并重复 1+ 次
• (?!\\S)负前瞻，断言右边的不是非空白字符以防止部分匹配

正则表达式演示

---

您可以通过不匹配@或空白字符来使模式更宽一些，然后匹配@ ，然后匹配不存在字符串.gov非空白字符：

[^\s@]+@(?:(?!\.gov)\S)+(?!\S)

正则表达式演示

Answer 2

首先，您用于识别电子邮件地址的正则表达式看起来不太正确。 例如，它会接受@13a为有效。 请参阅如何检查有效的电子邮件地址？ 为了一些简化。 我将使用： [^@]+@[^@]+\\.[^@]+并建议我们也排除空格字符，因此，在您的特定情况下：

^([^@\s]+@[^@\s]+\.[^@\s.]+)

我还添加了一个. 到最后一个字符类[^@\\s.]+以确保这代表顶级域。 但我们不希望电子邮件地址以.gov结尾。 我们的正则表达式在最后指定匹配顶级域：

1. \\. 匹配一个句号。
2. [^@\\s.]+匹配一个或多个非空白、非句点字符。

在上面的第 2 步中，我们应该首先应用否定前瞻，即确保下一个字符不是gov 。 但是为了确保我们不进行部分匹配（如果顶级域是government ，那没问题）， gov后面必须有空格或行尾才能取消资格。 所以我们有：

^([^@\s]+@[^@\s]+\.(?!gov(?:\s|$))[^@\s.]+)

请参阅正则表达式演示

import re

text = """abc123@abc.c     # 'o' is in 'gov' so it ends the returned string there
456@email.edu
governmentemail@governmentaddress.      #'.gov' omitted
test@test.gov
test.test@test.org.gov.test
"""

print(re.findall(r'^([^@\s]+@[^@\s]+\.(?!gov(?:\s|$))[^@\s.]+)', text, flags=re.M|re.I))

印刷：

['abc123@abc.c', '456@email.edu', 'test.test@test.org.gov.test']

所以，在我对问题的解释中test.test@test.org.gov.test是可以的，因为gov不是顶级域。 governmentemail@governmentaddress. 被拒绝只是因为它不是一个有效的电子邮件地址。

如果您不想在域的任何级别使用gov ，请使用以下正则表达式：

^([^@\s]+@(?!(?:\S*\.)?gov(?:\s|\.|$))[^@\s]+\.[^@\s]+)

请参阅正则表达式演示

看到@符号后，这确保后面的不是可选句点后跟gov后跟另一个句点、空格字符或行尾。

import re

text = """abc123@abc.c     # 'o' is in 'gov' so it ends the returned string there
456@email.edu
governmentemail@governmentaddress.      #'.gov' omitted
test@test.gov
test.test@test.org.gov.test
"""

print(re.findall(r'^([^@\s]+@(?!(?:\S*\.)?gov(?:\s|\.|$))[^@\s]+\.[^@\s]+)', text, flags=re.M|re.I))

印刷：

['abc123@abc.c', '456@email.edu']