python regex：捕獲包含空格的多個字符串的一部分

Question

我正在嘗試從看起來類似於的字符串中捕獲子字符串

'some string, another string, '

我希望結果匹配組為

('some string', 'another string')

我目前的解決方案

>>> from re import match
>>> match(2 * '(.*?), ', 'some string, another string, ').groups()
('some string', 'another string')

有效，但不可行-與我在實際項目中所做的相比，在復雜度方面，我在這里展示的內容當然被大大減少了； 我只想使用一種“直線”（非計算）正則表達式模式。 不幸的是，到目前為止，我的嘗試失敗了：

這不匹配（沒有結果），因為{2}僅應用於空格，而不應用於整個字符串：

>>> match('.*?, {2}', 'some string, another string, ')

在重復的字符串周圍添加括號，結果中包含逗號和空格

>>> match('(.*?, ){2}', 'some string, another string, ').groups()
('another string, ',)

添加另一組寄生蟲確實可以解決該問題，但是讓我感到太多：

>>> match('((.*?), ){2}', 'some string, another string, ').groups()
('another string, ', 'another string')

添加非捕獲修飾符可改善結果，但仍會遺漏第一個字符串

>>> match('(?:(.*?), ){2}', 'some string, another string, ').groups()
('another string',)

我覺得自己已經接近了，但是我似乎真的找不到合適的方法。

誰能幫我 ？ 我看不到其他方法嗎？

---

在前幾個響應后更新：

首先，非常感謝大家，非常感謝您的幫助！ :-)

就像我在原始帖子中所說的那樣，為了描述實際的核心問題，我在問題中省略了很多復雜性。 首先，在我正在研究的項目中，我正在解析大量（基於當前格式的文件）（目前為每天5萬個，目前為5種，基於行的格式大約為25個，以后可能成百上千個）。 還有XML，JSON，二進制和其他一些數據文件格式，但讓我們集中精力。

為了應付多種文件格式並利用其中許多基於行的事實，我創建了一個有點通用的Python模塊，該模塊依次加載一個文件，對每行應用一個正則表達式並返回一個大匹配的數據結構。 該模塊是一個原型，出於性能原因，生產版本將需要C ++版本，該版本將通過Boost :: Python連接，並且可能會將正則表達式的主題添加到復雜性列表中。

同樣，沒有2次重復，但是數量在當前0到70（左右）之間變化，逗號並不總是逗號，盡管我最初說的是，正則表達式模式的某些部分必須在運行時進行計算； 假設我有理由嘗試減少“動態”數量並盡可能多地使用“固定”模式。

一句話： 我必須使用正則表達式。

---

嘗試改寫：我認為問題的核心歸結為：是否存在Python RegEx表示法，例如涉及花括號重復並允許我捕獲

'some string, another string, '

進入

('some string', 'another string')

？

嗯，這可能會使范圍縮小得太遠了-但是，無論如何，這是錯誤的:-D

---

重新嘗試重新嘗試一下：為什么我在結果中看不到第一個字符串（“ some string”）？ 為什么正則表達式會產生一個匹配項（表示某物必須有2個），而只返回1個字符串（第二個）？

即使我使用非數字重復，即使用+代替{2}，問題仍然存在。

>>> match('(?:(.*?), )+', 'some string, another string, ').groups()
('another string',)

另外，返回的不是第二個字符串，而是最后一個：

>>> match('(?:(.*?), )+', 'some string, another string, third string, ').groups()
('third string',)

再次感謝您的幫助，在嘗試找出我真正想知道的內容的同時，我也從未間斷地使我對同行評審有幫助。

Answer 1

除非這個問題比您解釋的更多，否則我看不到使用正則表達式的意義。 使用基本的字符串方法處理起來非常簡單：

[s.strip() for s in mys.split(',') if s.strip()]

或者如果它必須是一個元組：

tuple(s.strip() for s in mys.split(',') if s.strip())

該代碼也更具可讀性。 請告訴我這是否不適用。

---

編輯：好的，這個問題確實比最初看起來要多。 不過，將其留作歷史用途。 （猜猜我不是“紀律” ：））

Answer 2

如上所述，我認為此正則表達式工作正常：

import re
thepattern = re.compile("(.+?)(?:,|$)") # lazy non-empty match 
thepattern.findall("a, b, asdf, d")     # until comma or end of line
# Result:
Out[19]: ['a', ' b', ' asdf', ' d']

這里的關鍵是使用findall而不是match 。 問題的措詞表明您更喜歡match ，但這並不是此處工作的正確工具-它旨在為正則表達式中的每個對應組( )恰好返回一個字符串。 由於您的“字符串數”是可變的，因此正確的方法是使用findall或split 。

如果這不是您所需要的，請使問題更具體。

編輯：並且，如果您必須使用元組而不是列表：

tuple(Out[19])
# Result
Out[20]: ('a', ' b', ' asdf', ' d')

Answer 3

import re

regex = " *((?:[^, ]| +[^, ])+) *, *((?:[^, ]| +[^, ])+) *, *"

print re.match(regex, 'some string, another string, ').groups()
# ('some string', 'another string')
print re.match(regex, ' some string, another string, ').groups()
# ('some string', 'another string')
print re.match(regex, ' some string , another string, ').groups()
# ('some string', 'another string')

Answer 4

沒有冒犯，但是您顯然對正則表達式有很多了解，而您最終將學到的是正則表達式無法處理此工作。 我確定這個特定的任務對正則表達式是可行的，但是那又如何呢？ 您說您可能要解析數百種不同的文件格式！ 您甚至提到了與正則表達式根本不兼容的JSON和XML。

幫自己一個忙：忘掉正則表達式，改為學習pyparsing 。 或完全跳過Python並使用獨立的解析器生成器（如ANTLR） 。 無論哪種情況，您都可能會發現大多數文件格式的語法均已編寫。

Answer 5

我認為問題的核心歸結為：是否存在Python RegEx表示法，例如涉及花括號重復，並允許我捕獲“某個字符串，另一個字符串”？

我認為沒有這樣的表示法。

但是正則表達式不僅是NOTATION的問題，也就是說，用於定義正則表達式的RE字符串。 這也是工具的問題，也就是說功能。

不幸的是，我不能使用findall，因為最初問題中的字符串只是問題的一部分，真正的字符串要長得多，所以findall僅在我執行多個正則表達式findalls / match / search時才起作用。

您應該毫不拖延地提供更多信息：我們可以更快地了解約束條件。 因為我認為，要解決已暴露的問題， findall（）確實可以：

import re

for line in ('string one, string two, ',
             'some string, another string, third string, ',
             # the following two lines are only one string
             'Topaz, Turquoise, Moss Agate, Obsidian, '
             'Tigers-Eye, Tourmaline, Lapis Lazuli, '):

    print re.findall('(.+?), *',line)

結果

['string one', 'string two']
['some string', 'another string', 'third string']
['Topaz', 'Turquoise', 'Moss Agate', 'Obsidian', 'Tigers-Eye', 'Tourmaline', 'Lapis Lazuli']

現在，由於您的問題“已經省略了很多復雜性”，因此， findall（）可能不足以容納這種復雜性。 然后將使用finditer（），因為它在選擇匹配項的組時提供了更大的靈活性

import re

for line in ('string one, string two, ',
             'some string, another string, third string, ',
             # the following two lines are only one string
             'Topaz, Turquoise, Moss Agate, Obsidian, '
             'Tigers-Eye, Tourmaline, Lapis Lazuli, '):

    print [ mat.group(1) for mat in re.finditer('(.+?), *',line) ]

給出相同的結果，可以通過寫其他表達式代替mat.group（1）來使其復雜化

Answer 6

為了總結這一點，似乎我已經通過以“動態”方式構造正則表達式模式來使用最佳解決方案：

>>> from re import match
>>> match(2 * '(.*?), ', 'some string, another string, ').groups()
('some string', 'another string')

的

2 * '(.*?)

這就是我所說的動態。 替代方法

>>> match('(?:(.*?), ){2}', 'some string, another string, ').groups()
('another string',)

由於以下事實而無法返回期望的結果（如Glenn和Alan所說明的那樣）

匹配時，捕獲組的每次重復都會覆蓋捕獲的內容

謝謝大家的幫助！ :-)