在 Python 正则表达式中捕获重复的子模式答案

【问题标题】：Capturing repeating subpatterns in Python regex在 Python 正则表达式中捕获重复的子模式
【发布时间】：2022-01-25 05:10:38
【问题描述】：

在匹配电子邮件地址时，在匹配yasar@webmail 之类的内容后，我想捕获一个或多个(\.\w+)（我所做的有点复杂，这只是一个示例），我试过了添加 (.\w+)+ ，但它只捕获最后一场比赛。例如，yasar@webmail.something.edu.tr 匹配但仅在yasar@webmail 部分之后包含.tr，因此我丢失了.something 和.edu 组。我可以在 Python 正则表达式中执行此操作，还是建议您先匹配所有内容，然后再拆分子模式？

【问题讨论】：

在Python Issue 7132 中提出了捕获重复表达式，但被拒绝。但是第三方regex 模块支持它。
@ToddOwen 但是，这在 2.7 中不是可能吗？我不知道什么时候成为可能。但是，stackoverflow.com/a/9765037/3541976 的答案似乎对我来说在 2.7 中使用 re 模块工作得很好。
@MichaelOhlrogge 第 7132 期是关于如果捕获括号在 inside 重复时会发生什么。该问题尚未解决，并且仍将仅保留最后一场比赛。如您链接到的答案中所述，一种可能的解决方法是将捕获括号围绕放置一个重复模式。（请注意，(?: ...) 没有捕获括号）。
@ToddOwen 明白了，谢谢，这是一个有用的说明！

标签： python regex

【解决方案1】：

re 模块不支持重复捕获（regex 支持）：

>>> m = regex.match(r'([.\w]+)@((\w+)(\.\w+)+)', 'yasar@webmail.something.edu.tr')
>>> m.groups()
('yasar', 'webmail.something.edu.tr', 'webmail', '.tr')
>>> m.captures(4)
['.something', '.edu', '.tr']

在您的情况下，我稍后会拆分重复的子模式。它产生了一个简单易读的代码，例如，参见@Li-aung Yip's answer中的代码。

【讨论】：

出于好奇，当匹配重复捕获时如何编写替换模式？ \1、\2、\3等的含义会根据你匹配(\.\w+)的次数而改变吗？
@Li-aung Yip：\1对应m.group(1)；意义没有改变。您可以使用函数作为替换模式并在其中调用m.captures()。
在您的示例中，\1、\2 和 \3 的含义很明显，因为它们只捕获一次。但是\4对应(\.\w+)+是什么意思呢？ \4 似乎是“与第 4 个捕获组匹配的最后一个子字符串”，在本例中为 .tr。
@Li-aung Yip: m.groups() 上面明确显示了\4 是什么。
含义没有改变：\4 是 m.group(4) 不管它是什么。

【解决方案2】：

这将起作用：

>>> regexp = r"[\w\.]+@(\w+)(\.\w+)?(\.\w+)?(\.\w+)?(\.\w+)?(\.\w+)?"
>>> email_address = "william.adama@galactica.caprica.fleet.mil"
>>> m = re.match(regexp, email_address)
>>> m.groups()
('galactica', '.caprica', '.fleet', '.mil', None, None)

但仅限于最多六个子组。更好的方法是：

>>> m = re.match(r"[\w\.]+@(.+)", email_address)
>>> m.groups()
('galactica.caprica.fleet.mil',)
>>> m.group(1).split('.')
['galactica', 'caprica', 'fleet', 'mil']

请注意，只要电子邮件地址简单，正则表达式就可以了 - 但是这会破坏各种事情。有关电子邮件地址正则表达式的详细处理，请参阅this question。

【讨论】：

【解决方案3】：

您可以通过这样做来解决(\.\w+)+ 仅捕获最后一个匹配项的问题：((?:\.\w+)+)

【讨论】：

对于缩写（如果您使用小写）：re.sub(ur'((?:[a-z]\.){2,})', lambda m: m.group(1).replace('.', ''), text)
谢谢。我能够添加括号允许我匹配一个重复的子模式，但是在匹配中存在一个与模式的最后一个匹配的组。我没有看到(?: ...) 是一个非捕获组。 docs.python.org/2/library/re.html#regular-expression-syntax 添加解决了这个问题。

【解决方案4】：

这就是你要找的东西：

>>> import re

>>> s="yasar@webmail.something.edu.tr"
>>> r=re.compile("\.\w+")
>>> m=r.findall(s)

>>> m
['.something', '.edu', '.tr']

【讨论】：

这与yasar@webmail 不匹配。因此，如果电子邮件地址以外的其他内容以多个句点分隔，则它很容易获得误报结果。
OP 已经清楚地写道，这只是一个例子，他想要做的事情更复杂。因此，我的回答。
是的，但问题是您的解决方案即使在 OP 给出的问题的简化版本上也不起作用。对于任何对 RegEx 有最基本了解的人来说，您的解决方案都非常简单。所有其他答案都比较复杂，因为这确实是一个非常重要的问题。