如何让 Python 像 grep 一样重新工作以重复组？

Question

我有以下字符串：

seq = 'MNRYLNRQRLYNMYRNKYRGVMEPMSRMTMDFQGRYMDSQGRMVDPRYYDHYGRMHDYDRYYGRSMFNQGHSMDSQRYGGWMDNPERYMDMSGYQMDMQGRWMDAQGRYNNPFSQMWHSRQGH'

也保存在​​名为 seq.dat 的文件中。如果我使用以下 grep 命令，

grep '\([MF]D.\{4,6\}\)\{3,10\}' seq.dat

我会得到以下匹配字符串：

MDNPERYMDMSGYQMDMQGRWMDAQGRYN

这就是我想要的。换句话说，我想要匹配的是与 [MF]D.{4,6} 字符串相同的连续重复次数。我不想匹配连续重复次数少于 3 次的情况，但我希望它能够捕获最多 6 次

。现在，我尝试使用 python 来做到这一点。我

p = re.compile("(?:[MF]D.{4,6}){3,10}")

尝试 search() 返回

MDNPERYMDMSGYQMDMQGRWM

它接近我寻求的答案，但仍然缺少最后一个 MDAQGRYN。我猜这是因为 .{4,6} 与 M 匹配，这反过来又阻止了 {3,10} 捕获此内容([MF]D.{4,6}) 第 4 次出现，但由于我要求至少 3 个，它很高兴并停止了。

如何使 Python 正则表达式像 grep 一样运行？

Answer 1

POSIX（“文本导向”）和 NFA（“正则表达式导向”）引擎之间存在根本区别。 POSIX 引擎（grep 这里使用 POSIX BRE 正则表达式风格，它是默认使用的风格）将解析应用正则表达式的输入文本并返回可能的最长匹配。这里的 NFA 引擎（Python re 引擎是一个 NFA 引擎）在后续模式部分匹配时不会重新消费（回溯）。

请参阅有关正则表达式导向和文本导向引擎的参考 :

正则表达式引导的引擎遍历正则表达式，尝试将正则表达式中的下一个标记与下一个字符匹配。如果找到匹配项，引擎将继续执行正则表达式和主题字符串。如果令牌无法匹配，引擎将回溯到正则表达式和主题字符串中的前一个位置，在该位置可以尝试通过正则表达式的不同路径...使用正则表达式定向引擎的现代正则表达式风格具有许多功能，例如原子分组以及所有格量词，让您可以控制这种回溯。

文本导向引擎遍历主题字符串，在前进到字符串中的下一个字符之前尝试正则表达式的所有排列。文本导向的引擎永远不会回溯。因此，关于文本导向引擎的匹配过程没有太多可讨论的。在大多数情况下，文本导向引擎会找到与正则表达式导向引擎相同的匹配项。

最后一句说“在大多数情况下”，但不是所有情况，你的例子很好地说明了可能会出现差异。

为了避免消耗紧随 D 的 M 或 F，我建议使用

(?:[MF]D(?:(?![MF]D).){4,6}){3,10}

请参阅 正则表达式演示。 详细信息：

• (?: - 外部非捕获容器组的开始：
  • [MF]D - M 或 F，然后 D
  • (?:(?![MF]D).){4,6} - 任何字符（换行符除外）重复四到六次，不开始 < code>MD 或 FD 字符序列
• ){3,10} - 外部的末尾一组，重复3～10次。

顺便说一句，如果您只想匹配大写 ASCII 字母，请将 . 替换为 [AZ]。