Python 正则表达式中可变宽度lookbehind的替代方案答案

【问题标题】：Alternatives to variable-width lookbehind in Python regexPython 正则表达式中可变宽度lookbehind的替代方案
【发布时间】：2015-10-12 09:23:22
【问题描述】：

我最近决定跳入 Python 池的深处，开始将我的一些 R 代码转换为 Python，但我被困在对我来说非常重要的事情上。在我的工作中，我花费大量时间解析文本数据，众所周知，文本数据非常非结构化。结果，我开始依赖正则表达式的环视功能，而 R 的环视功能非常强大。例如，如果我解析的 PDF 可能会在 OCR 文件时在字母之间引入一些空格，我会通过以下方式获得我想要的值：

oAcctNum <- str_extract(textBlock[indexVal], "(?<=ORIG\\s?:\\s?/\\s?)[A-Z0-9]+")

在 Python 中，这是不可能的，因为 ? 的使用使后向显示成为可变宽度的表达式，而不是固定宽度的表达式。这个功能对我来说非常重要，它阻止了我想要使用 Python，但我不想放弃这种语言，我想知道 Pythonista 解决这个问题的方法。在提取文本之前我是否必须预处理字符串？像这样的：

oAcctNum = re.sub(r"(?<=\b\w)\s(?=\w\b)", "")
oAcctNum = re.search(r"(?<=ORIG:/)([A-Z0-9])", textBlock[indexVal]).group(1)

有没有更有效的方法来做到这一点？因为虽然这个例子很简单，但这个问题在我处理的数据中以非常复杂的方式出现，我不想对我分析的每一行文本都进行这种预处理。

最后，如果这里不适合提出这个问题，我深表歉意；我不确定在哪里发布它。提前致谢。

【问题讨论】：

regex 模块支持可变宽度的lookbehinds。另见stackoverflow.com/q/11640447/3001761
@jonrsharpe 谢谢你，很高兴知道！不过，看看下面的答案，我开始怀疑我对环视的依赖。但是，再次感谢您将我指向 regex 模块。

标签： python regex lookaround

【解决方案1】：

在您描述的这种情况下，您需要使用capture groups：

"(?<=ORIG\\s?:\\s?/\\s?)[A-Z0-9]+"

会变成

r"ORIG\s?:\s?/\s?([A-Z0-9]+)"

该值将在.group(1) 中。请注意，首选原始字符串。

这是一个示例代码：

import re
p = re.compile(r'ORIG\s?:\s?/\s?([A-Z0-9]+)', re.IGNORECASE)
test_str = "ORIG:/texthere"
print re.search(p, test_str).group(1)

IDEONE demo

除非您需要重叠匹配，否则捕获组的使用情况而不是回顾是相当简单的。

【讨论】：

你提出了一个非常好的观点。看起来是时候开始重新考虑我的正则表达式方法了。
重点是：如果您不需要重叠匹配，请使用捕获组方法。 Look-behinds 是资源消耗，只是在性能方面是昂贵的。有时，没有什么大的区别，但如果后视时间很长，那么区别可能是显而易见的。

【解决方案2】：

请注意，如果您可以使用组，则通常不需要lookbehinds。那么怎么样

match = re.search(r"ORIG\s?:\s?/\s?([A-Z0-9]+)", string)
if match:
    text = match.group(1)

在实践中：

>>> string = 'ORIG : / AB123'
>>> match = re.search(r"ORIG\s?:\s?/\s?([A-Z0-9]+)", string)
>>> match
<_sre.SRE_Match object; span=(0, 12), match='ORIG : / AB123'>
>>> match.group(1)
'AB123'

【讨论】：

感谢Antii的回复！您和 stribizhev 有相同的想法，这似乎是最好的做法。是时候重写一些代码了...

【解决方案3】：

print re.findall(r"ORIG\s?:\s?/\s?([A-Z0-9]+)",test_str)

您可以直接使用findall，它将返回正则表达式中的所有组（如果存在）。

【讨论】：