使用正则表达式搜索和捕获字符 Python

Question

在解决 Python Challenge 中的问题之一时，我尝试按如下方式解决它：

读取中的输入一个包含以下字符的文本文件：

DQheAbsaMLjTmAOKmNsLziVMenFxQdATQIjItwtyCHyeMwQTNxbbLXWZnGmDqHhXnLHfEyvzxMhSXzd
BEBaxeaPgQPttvqRvxHPEOUtIsttPDeeuGFgmDkKQcEYjuSuiGROGfYpzkQgvcCDBKrcYwHFlvPzDMEk
MyuPxvGtgSvWgrybKOnbEGhqHUXHhnyjFwSfTfaiWtAOMBZEScsOSumwPssjCPlLbLsPIGffDLpZzMKz
jarrjufhgxdrzywWosrblPRasvRUpZLaUbtDHGZQtvZOvHeVSTBHpitDllUljVvWrwvhpnVzeWVYhMPs
kMVcdeHzFZxTWocGvaKhhcnozRSbWsIEhpeNfJaRjLwWCvKfTLhuVsJczIYFPCyrOJxOPkXhVuCqCUgE
luwLBCmqPwDvUPuBRrJZhfEXHXSBvljqJVVfEGRUWRSHPeKUJCpMpIsrV.......

我需要的是浏览此文本文件并选择每侧仅由三个大写字母包围的所有小写字母。

我为执行上述操作而编写的 python 脚本如下：

import re

pattern = re.compile("[a-z][A-Z]{3}([a-z])[A-Z]{3}[a-z]")
f = open('/Users/Dev/Sometext.txt','r')
for line in f:
    result = pattern.search(line)
    if result:
       print result.groups()

 f.close()

上面给出的脚本不是返回捕获（小写字符列表），而是返回满足正则表达式条件的所有文本块，例如

aXCSdFGHj
vCDFeTYHa
nHJUiKJHo
.........
.........

有人可以告诉我什么吗我到底在这里做错了吗？是否有另一种方法可以对整个文件运行正则表达式搜索，而不是循环遍历整个文件？

谢谢

Answer 1

将 result.groups() 更改为 result.group(1)，您将仅获得单个字母匹配。

您的代码的第二个问题是它不会在一行上找到多个结果。因此，您不需要使用 re.search，而是需要 re.findall 或 re.finditer。 findall 将返回字符串或字符串元组，而 finditer 返回匹配对象。

这是我解决同样问题的地方：

import urllib
import re    

pat = re.compile('[a-z][A-Z]{3}([a-z])[A-Z]{3}[a-z]')
print ''.join(pat.findall(urllib.urlopen(
    "http://www.pythonchallenge.com/pc/def/equality.html").read())) 

请注意，re.findall 和 re.finditer 返回不重叠的结果。因此，当使用上述模式与 re.findall 搜索字符串 'aBBBcDDDeFFFg' 时，唯一的匹配将是 'c'，而不是 <代码>'e'。幸运的是，这个 Python Challenge 问题不包含这样的例子。

Answer 2

我建议使用lookaround：

(?<=[A-Z]{3})(?<![A-Z].{3})([a-z])(?=[A-Z]{3})(?!.{3}[A-Z])

这不会有重叠匹配的问题。

说明：

(?<=[A-Z]{3})  # assert that there are 3 uppercase letters before the current position
(?<![A-Z].{3}) # assert that there is no uppercase letter 4 characters before the current position
([a-z])        # match a lowercase character (all characters in the example are ASCII)
(?=[A-Z]{3})   # assert that there are 3 uppercase letter after the current position
(?!.{3}[A-Z])  # assert that there is no uppercase letter 4 characters after the current position

Answer 3

import re

with open('/Users/Dev/Sometext.txt','r') as f: 
    tokens = re.findall(r'[a-z][A-Z]{3}([a-z])[A-Z]{3}[a-z]', f.read())

    for token ins tokens:
        print token

findall 的作用：

返回所有不重叠的匹配项
字符串中的模式，作为列表
字符串。字符串被扫描
从左到右，匹配项是
按找到的顺序返回。如果一个或
更多团体出现在
模式，返回组列表；这
将是一个元组列表，如果
模式有多个组。空的
匹配项包含在结果中
除非他们触及了开头
另一场比赛。

也许是 re 模块中最有用的函数。

read() 函数将整个文件读入大字符串中。如果您需要将正则表达式与整个文件进行匹配，这尤其有用。

警告：根据文件的大小，您可能更喜欢像第一种方法那样逐行迭代文件。