使用正则表达式和 Python 进行短语匹配

Question

我有一些想要匹配的短语。我使用了一个正则表达式，如下所示：

(^|)(piston|piston ring)( |$)

使用上面的内容，regex.match(“pistonring”)匹配“piston”。如果我更改正则表达式，使较长的短语“活塞环”首先出现，那么它会按预期工作。

我对这种行为感到惊讶，因为我假设正则表达式的贪婪本质会尝试“免费”匹配最长的字符串。

我缺少什么？有人可以解释一下吗？谢谢！

Answer 1

在正则表达式中使用交替 (|) 时，会按从左到右的顺序尝试每个选项，直到找到匹配项。因此，在您的示例中，由于可以使用活塞进行匹配，因此永远不会尝试活塞环。

编写此正则表达式的更好方法如下：

(^|)(piston( ring)?)( |$)

这将尝试匹配 'piston'，然后立即尝试匹配 'ring'，其中 >? 使其可选。或者，只需确保较长的选项出现在轮换开始时即可。

您可能还需要考虑使用 单词边界、\b，而不是 (^|) 和 ( |$)。

Answer 2

来自 http://www.regular-expressions.info/alternation.html（第一个 Google结果）：

正则表达式引擎很渴望。一旦找到有效的匹配项，它将停止搜索。结果是，在某些情况下，替代方案的顺序很重要

一个例外：

POSIX 标准要求返回最长的匹配，无论正则表达式引擎是使用 NFA 还是 DFA 算法实现。

可能的解决方案：

• piston(ring)?
• (pistonring|piston)（将最长的放在前面）

Answer 3

这就是交替的行为。它尝试匹配第一个替代方案，即“活塞”，如果成功则完成。

这意味着它不会尝试所有替代方案，而是以第一个匹配的替代方案结束。

您可以在 regular-expressions.info 上找到更多详细信息

，您可能还会感兴趣是单词边界\b。我想你正在寻找的是

\bpiston(?: ring)?\b

Answer 4

Edit2: It wasn't clear if your test data 
contained pipes or not. I saw the pipes in 
the regex and assumed you are searching 
for pipe delim. Oh well.. not sure if below
helps. 

使用正则表达式来匹配管道分隔的文本将需要更多的交替来选取开始和结束列。

另一种方法怎么样？

text='start piston|xxx|piston ring|xxx|piston cast|xxx|piston|xxx|stock piston|piston end'
j=re.split(r'\|',text)

k = [ x for x in j if x.find('piston') >= 0 ]
['start piston', 'piston ring', 'piston cast', 'piston', 'stock piston', 'piston end']

k = [ x for x in j if x.startswith('piston')  ]
['piston ring', 'piston cast', 'piston', 'piston end']

k = [ x for x in j if x == 'piston' ]
['piston']

j=re.split(r'\|',text)
if 'piston ring' in j: 
    print True
> True

编辑：为了澄清 - 举个例子：

text2 ='piston1 | xxx | spiston2 | xxx |活塞环| xxx |piston3'

我添加'。'匹配任何内容以显示匹配的项目

re.findall('piston.',text2)
['piston1', 'piston2', 'piston ', 'piston3']

为了使其更准确，您将需要使用后视断言。
这保证您匹配 '|piston' 但不将管道包含在结果中

re.findall('(?<=\|)piston.',text2)
['piston ', 'piston3']

限制从贪婪匹配到第一个匹配字符 .*?<停止字符>
添加分组括号以排除管道。匹配.*？足够聪明，可以检测是否在组内并忽略括号并使用下一个字符作为停止匹配哨兵。这似乎有效，但它忽略了最后一列。

re.findall('(?<=\|)(piston.*?)\|',text2)
['piston ring']

添加分组时，您现在只需指定以转义管道开头。

re.findall('\|(piston.*?)\|',text2)
['piston ring']

要搜索最后一列，请添加此非分组匹配 (?:\||$) - 这意味着管道上的匹配（需要转义）或 ( |) 字符串的结尾 ($)。
非分组匹配 (?:x1|x2) 不会包含在结果中。一个额外的好处是它得到了优化。

re.findall('\|(piston.*?)(?:\||$)',text2)
['piston ring', 'piston3']

最后，要修复字符串的开头，请添加另一个更改，与前一个用于结束字符串匹配的更改非常相似

re.findall('(?:\||^)(piston.*?)(?:\||$)',text2)
['piston1', 'piston ring', 'piston3']

希望它有帮助。 :)