在Python中搜索兩個復雜的正則表達式模式之一，而不創建子匹配項

Question

我正在解析一些由不同人錄制的電視劇集，這意味着我需要搜索多種格式。 例如，以兩種方式之一指示新場景：

[A coffee shop]

要么

INT. Coffee shop - NIGHT

現在，我將其與Python中的以下正則表達式進行匹配：

re.findall("(^\[(.+?)\]$)|(^[INTEXT]{3}\. .+?$)", text)

其中“文本”是整個腳本的文本（因此使用findall ）。 它總是出現在自己的行上，因此^$

例如，這給了我類似的東西：（ (None, None, "INT. Coffee Shop - NIGHT") 。

我的問題：如何使用|構造正則表達式來搜索兩個復雜模式之一？ 符號， 也沒有創造，你真的不希望子匹配？ 或者，還有更好的方法？

非常感謝。

更新 ：我忽略了不捕獲組的想法。 我可以完成我想要的：

"(?:^\[.+?\]$)|(?:^[INTEX]{3}\. .+?$)"

但是，這提出了一個新問題。 我實際上不需要場景中的方括號或INT / EXT，而只需要位置。 我以為可以在不捕獲的組中使用實際的組，但是對於其他表達式，我仍然得到那些空白匹配，如下所示：

import re

pattern = "(?:^\[(.+?)\]$)|(?:^[INTEX]{3}\. (.+?)$)"

examples = [                                                                                                                                                                     
    "[coffee shop]",                                                                                                                                                                 
    "INT. COFFEE SHOP - DAY",                                                                                                                                                        
    "EXT. FIELD - NIGHT",                                                                                                                                                            
    "[Hugh's aparment]"
]

for example in examples:
    print re.findall(pattern, example)


'''
[('coffee shop', '')]
[('', 'COFFEE SHOP - DAY')]
[('', 'FIELD - NIGHT')]
[("Hugh's aparment", '')]
'''

我可以只join()它們，但是有更好的方法嗎？

Answer 1

根據您提供的有限示例，如何在方括號中使用斷言：

re.findall("((?<=^\[)[^[\]]+(?=\]$)|^[INTEXT]{3}\. .+?$)", text)

Answer 2

僅使用兩個表達式可能會更好。

patterns = [r'^\[(.+?)\]$', r'^(?:INT|EXT)\. (.+?)$']

for example in examples:
    print re.findall(patterns[0], example) or re.findall(patterns[1], example)

Answer 3

這似乎可以滿足您的要求：

(?m)^(?=(?:\[|[INTEX]{3}\.\s+)([^\]\r\n]+))(?:\[\1\]|[INTEX]{3}\. \1)$

首先，先行者查看場景標記的文本，將其捕獲到組＃1中。 然后其余的正則表達式繼續進行，並消耗包含標記的整行。 盡管現在我考慮了一下，但您實際上並不需要消耗任何東西。 這也有效：

result = re.findall(r"(?m)^(?=(?:\[|[INTEX]{3}\.\s+)([^\]\r\n]+))", subject)

標記文本仍在組＃1中捕獲，因此仍將其添加到findall()的結果中。 再說一次，我不明白為什么您要在這里使用findall() 。 如果試圖通過替換它們來標准化場景標記，則必須使用正式版的正則表達式。

另外，注意(?m) 。 在您的示例中，您始終將正則表達式單獨應用於場景標記。 要將它們從整個腳本中刪除，您必須設置MULTILINE標志，將^和$變成行錨。