两个字符串之间最长匹配序列的正则表达式

Question

我在 Google 上搜索了我的用例，但没有发现任何有用的东西。

我不是正则表达式方面的专家，所以如果社区中的任何人可以提供帮助，我将不胜感激。

问题：

给定一个文本文件，我想使用正则表达式捕获两个子字符串（前缀和后缀）之间的最长字符串。请注意，这两个子字符串将始终位于文本任何行的开头。请看下面的例子。

子字符串：

前缀 = ['Item 1', 'Item 1a', 'Item 1b']
后缀 = ['项目 2', '项目 2a', '项目 2b']

示例 1：

第 1 项 ....
项目 2 ....
项目 1 ....
....
....
项目 2 ....
项目 1 ....
项目 2
项目 1a ....
....
....
....
....
项目 2b ....

预期结果：

第 1a 项 ....
....
....
....
....

为什么会出现这个结果？

因为Item 1a 的前缀和Item 2b 的后缀匹配所有其他前缀-后缀对中它们之间的文本中最长的字符串。

示例 2：

第 1 项 ....
项目 2 ....
项目 1 ....
....
....
项目 2
…… 项目 1 ....
项目 2
项目 1a .... ....
....
....
.... 项目 2b
....

预期结果：

第 1 项 ....
....
....

为什么会出现这个结果？

这是因为这是两个字符串（前缀和后缀对）之间的最大字符串，其中前缀和后缀都从行首开始。请注意，还有另一对 (Item 1a-Item 2b) 但由于Item 2b 不在行首，我们不能考虑这个最长的序列。

我对正则表达式的尝试：

我已经尝试为上面列表中的每个前缀-后缀对使用下面的正则表达式，但这不起作用。

regexs = [r'^' + re.escape(pre) + '(.*?)' + re.escape(suf) for pre in prefixes for suf in suffixes]
for regex in regexs:
    re.findall(regex, text, re.MULTLINE)

我尝试过使用非正则表达式（Python 字符串函数）：

def extract_longest_match(text, prefixes, suffixes):
    longest_match = ''
    for line in text.splitlines():
        if line.startswith(tuple(prefixes)):
            beg_index = text.index(line)
            for suf in suffixes:
                end_index = text.find(suf, beg_index+len(line))
                match = text[beg_index:end_index]
                if len(match) > len(longest_match ):
                    longest_match = match
    return longest_match 

我错过了什么吗？

Answer 1

你需要

• 构建一个正则表达式，匹配从最左边的起始分隔符到最左边的尾随分隔符的字符串（请参阅Match text between two strings with regular expression）
• 确保分隔符匹配at the line start positions only
• 使用re.DOTALL 或等效选项确保. 与换行符匹配（请参阅Python regex, matching pattern over multiple lines）
• 确保正则表达式匹配重叠的子字符串（参见Python regex find all overlapping matches）
• 查找文本中的所有匹配项（请参阅How can I find all matches to a regular expression in Python?）
• 获取最长的一个（参见Python's most efficient way to choose longest string in list?）。

Python demo:

import re
s="""Item 1 ....
Item 2 ....
Item 1 ....
....
....
Item 2 ....
Item 1 ....
Item 2
Item 1a ....
....
....
....
....
Item 2b ...."""
prefixes = ['Item 1', 'Item 1a', 'Item 1b']
suffixes = ['Item 2', 'Item 2a', 'Item 2b']
rx = r"(?=^((?:{}).*?^(?:{})))".format("|".join(prefixes), "|".join(suffixes))
# Or, a version with word boundaries:
# rx = r"(?=^((?:{})\b.*?^(?:{})\b))".format("|".join(prefixes), "|".join(suffixes))
all_matches = re.findall(rx, s, re.S | re.M)
print(max(all_matches, key=len))

输出：

Item 1a ....
....
....
....
....
Item 2

正则表达式看起来像

(?sm)(?=^((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b)))

有单词边界

(?sm)(?=^((?:Item 1|Item 1a|Item 1b)\b.*?^(?:Item 2|Item 2a|Item 2b)\b))

请参阅regex demo。

详情

• (?sm) - re.S 和 re.M 标志
• (?=^((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b))) - 在任何位置匹配的正向前瞻，紧随其后的是一系列模式：
  • ^ - 行首
  • ((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b)) - 第 1 组（此值与 re.findall 返回）
  • (?:Item 1|Item 1a|Item 1b) - 交替中的任何项目（在 ) 之后添加 \b 字边界可能是有意义的）
  • .*? - 任何 0+ 个字符，尽可能少
  • ^ - 行首
  • (?:Item 2|Item 2a|Item 2b) - 列表中的任何替代项（可能在 ) 之后添加 \b 字边界也是有意义的）。