在 Python 中使用 Regex 提取准确的单词或字符集

Question

假设我有一个这样的列表。

List = ['MX_QW-765', 'RUC_PO-345', 'RUC_POLO-209']. 

我想搜索并返回“PO”所在的匹配项。从技术上讲，我应该将RUC_PO-345 作为我的输出，但即使RUC_POLO-209 也会与RUC_PO-345 一起作为输出返回。

Answer 1

您应该使用regular expression (import re)，这是您应该使用的正则表达式：r'(?<![A-Za-z0-9])PO(?![A-Za-z0-9])'。

我之前推荐了 \b 特殊序列，但事实证明 '_' 被认为是单词的一部分，而你的情况并非如此，所以它不起作用。

这给您留下了一些更复杂的负面预测和负面预测断言，这分别是 (?<!... 和 (?!... 。要了解它们的工作原理，请阅读 Python 正则表达式的文档。

Answer 2

图案：

‘_PO[^\w]’

应该使用 re.search() 或 re.findall() 调用；它不适用于 re.match，因为它不考虑字符串开头的字符。

模式如下：匹配1个下划线（'_'）后跟1个大写P（'P'）后跟1个大写O ('O') 后跟 一个非单词字符的字符。特殊字符“\w”匹配[a-zA-Z0-9_]。

‘_PO\W’

^ 这也可以用作建议的第一个模式的较短版本（信用 @JvdV in cmets）

‘_PO[^A-Za-z]’

此模式使用“字符集而不是字母字符”。如果破折号会干扰前两种模式中的任何一种。

要使用它来识别列表中的模式，您可以使用循环：

import re

For thing in my_list:
    if re.search(‘_PO[^\w]’, thing) is not None:
        # do something
        print(thing)

这将使用re.search 调用将模式匹配为if 条件中的True 条件。当 re 不匹配一个字符串时，它返回 None；因此...if re.search() is not None的语法。

希望对你有帮助！

Answer 3

更新前的问题：

根据我的评论，我认为您使用了错误的方法。在我看来你可以简单地使用in:

words = ['cat', 'caterpillar', 'monkey', 'monk', 'doggy', 'doggo', 'dog']
if 'cat' in words:
    print("yes")
else:
    print("no")

返回：yes

words = ['cats', 'caterpillar', 'monkey', 'monk', 'doggy', 'doggo', 'dog']
if 'cat' in words:
    print("yes")
else:
    print("no")

返回：no

---

更新后的问题：

现在，如果您的示例数据并未真正反映您的需求，但您有兴趣在列表元素中查找子字符串，您可以尝试：

import re
words = ['MX_QW-765', 'RUC_PO-345', 'RUC_POLO-209']
srch = 'PO'
r = re.compile(fr'(?<=_){srch}(?=-)')
print(list(filter(r.findall, words)))

或者使用match:

import re
words = ['MX_QW-765', 'RUC_PO-345', 'RUC_POLO-209']
srch = 'PO'
r = re.compile(fr'^.*(?<=_){srch}(?=-).*$')
print(list(filter(r.match, words)))

这将返回遵循该模式的项目列表（在本例中为 ['RUC_PO-345']）。我使用上述常规模式来确保您的搜索值不会位于搜索字符串的开头，而是在下划线之后，然后是 -。

---

现在，如果您有想要查找的产品列表，请考虑以下内容：

import re
words = ['MX_QW-765', 'RUC_PO-345', 'RUC_POLO-209']
srch = ['PO', 'QW']
r = re.compile(fr'(?<=_)({"|".join(srch)})(?=-)')
print(list(filter(r.findall, words)))

或者再次使用match:

import re
words = ['MX_QW-765', 'RUC_PO-345', 'RUC_POLO-209']
srch = ['PO', 'QW']
r = re.compile(fr'^.*(?<=_)({"|".join(srch)})(?=-).*$')
print(list(filter(r.match, words)))

两者都会返回：['MX_QW-765', 'RUC_PO-345']

请注意，如果您不支持 f 字符串，您也可以将变量连接到模式中。

Answer 4

我们可以尝试在我们的正则表达式字符串中匹配 'cat'、'dog'、'monk' 三个精确单词之一。

我们的正则表达式字符串将是"\b(?:cat|dog|monk)\b"

\b 用于定义单词边界。我们使用\b，以便我们可以搜索整个单词（这正是您面临的问题）。添加这将不匹配 tomcat 或 caterpillar 并且只有 cat

接下来，(?:)被称为非捕获组（解释为here）

现在我们需要匹配cat 或dog 或monk 之一。所以这表示为cat|dog|monk。在 python 3 中，这将是：

import re

words = ['cat', 'caterpillar', 'monkey', 'monk', 'doggy', 'doggo', 'dog']
regex = r"\b(?:cat|dog|monk)\b"

r=re.compile(regex)
matched = list(filter(r.match, words))

print(matched)

要通过可迭代列表实现匹配正则表达式，我们使用 Stackoverflow 答案 here 中提到的 filter 函数

你可以找到可运行的Python code here

注意：最后，regex101 是一个很棒的在线工具，可以尝试不同的正则表达式字符串并实时获得解释。我们的正则表达式字符串的解释是here

Answer 5

您需要添加一个 $ 符号来表示字符串的结尾，您还可以添加一个 ^ 这是字符串的开头，因此只有 cat 匹配：

 ^cat$

Answer 6

尝试使用列表中的搜索词构建正则表达式替换：

words = ['cat', 'caterpillar', 'monkey', 'monk', 'doggy', 'doggo', 'dog']
your_text = 'I like cat, dog, rabbit, antelope, and monkey, but not giraffes'
regex = r'\b(?:' + '|'.join(words) + r')\b'
print(regex)
matches = re.findall(regex, your_text)
print(matches)

打印出来：

\b(?:cat|caterpillar|monkey|monk|doggy|doggo|dog)\b
['cat', 'dog', 'monkey']

您可以清楚地看到我们为查找所有匹配关键字而构建的正则表达式替换。