python match只捕獲第一組和最后一組 - 我誤解了什么嗎？

Question

我正在研究一個與一系列作者匹配的Python腳本，我正在使用re -module。 我遇到了意想不到的事情，我已經能夠將它簡化為以下非常簡單的例子：

>>> import re
>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> word = r'\$(word\d)\$'
>>> m = re.match(word+'(?:, ' + word + r')*', s)
>>> m.groups()
('word1', 'word4')

所以我正在定義一個'基本'正則表達式，它匹配我輸入的主要部分，有一些可識別的功能（在這種情況下我使用$ -signs），而不是我嘗試匹配一個單詞加上可能的附加單詞列表。

我原以為m.groups()會顯示：

>>> m.groups()
('word1', 'word2', 'word3', 'word4')

但顯然我做錯了什么。 我想知道為什么這個解決方案不起作用以及如何改變它，以便我得到我正在尋找的結果。 順便說一句，這是Linux機器上的Python 2.6.6，如果重要的話。

Answer 1

雖然您正在匹配每個$word#$ ，但第二個捕獲組將不斷被匹配的最后一個項目替換。

我們來看看調試器：

>>> expr = r"\$(word\d)\$(?:, \$(word\d)\$)*"
>>> c = re.compile(expr, re.DEBUG)
literal 36
subpattern 1
  literal 119
  literal 111
  literal 114
  literal 100
  in
    category category_digit
literal 36
max_repeat 0 65535
  subpattern None
    literal 44
    literal 32
    literal 36
    subpattern 2
      literal 119
      literal 111
      literal 114
      literal 100
      in
        category category_digit
    literal 36

如您所見，只有2個捕獲組： subpattern 1和subpattern 2 。 每次找到另一個$word#$ ， subpattern 2都會被覆蓋。

至於一個潛在的解決方案，我建議使用re.findall()而不是re.match() ：

>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> authors = re.findall(r"\$(\w+)\$", s)
>>> authors
['word1', 'word2', 'word3', 'word4']

Answer 2

正則表達式中只有兩個捕獲組。 嘗試re.findall(word, s)代替。

regex模塊支持重復捕獲。

Answer 3

如果您有可選或重復的捕獲組，則執行以下操作：

(?:, \$(word\d)\$)*

正則表達式只有一個地方用於返回在該組中捕獲的文本，盡管它匹配了字符串的3個部分，因此它包含最后一個這樣的子字符串。

要查找所有子字符串，可以在其他分隔符上使用findall或tokenize字符串。

Answer 4

你可以像這樣避免正則表達式：

>>> s = "$word1$, $word2$, $word3$, $word4$"
>>> s.replace('$','').split()
['word1,', 'word2,', 'word3,', 'word4']

使用正則表達式，您可以使用findall()代替：

>>> re.findall(word, s)
['word1', 'word2', 'word3', 'word4']