Python 正则表达式 A|B|C 匹配 C，即使 B 应该匹配

Question

我已经在这个问题上坐了几个小时了，我真的不知道了...... 本质上，我有一个 A|B|C - 类型分隔的正则表达式，无论出于何种原因，C 都与 B 匹配，即使单个正则表达式应该从左到右进行测试并以非贪婪的方式停止（即一次匹配找到，其他正则表达式'不再测试）。

这是我的代码：

text = 'Patients with end stage heart failure fall into stage D of the ABCD classification of the American College of Cardiology (ACC)/American Heart Association (AHA), and class III–IV of the New York Heart Association (NYHA) functional classification; they are characterised by advanced structural heart disease and pronounced symptoms of heart failure at rest or upon minimal physical exertion, despite maximal medical treatment according to current guidelines.'
expansion = "American Heart Association"
re_exp = re.compile(expansion + "|" + r"(?<=\W)" + expansion + "|"\
                    + expansion.split()[0] + r"[-\s].*?\s*?" + expansion.split()[-1])

m = re_exp.search(text)
print(m.group(0))

我希望正则表达式找到“扩展”字符串。在我的数据集中，有时文本对扩展字符串进行了略微编辑，例如在主要名词之间有冠词或介词，如“for”或“the”。这就是为什么我首先尝试按原样匹配字符串，然后尝试匹配它是否在任何非单词字符之后（即括号，或者像上面的示例一样，因为空格被省略了很多东西）最后，我只是通过使用通配符搜索字符串的开头和结尾来查找字符串。

不管怎样，对于上面的例子，我希望得到以下输出：

American Heart Association

但我得到的是

American College of Cardiology (ACC)/American Heart Association

这是最终正则表达式的匹配项。

如果我删除最终的正则表达式或只是调用re.findall(r"(?<=\W)"+ expansion, text)，我会得到我想要的输出，这意味着正则表达式实际上匹配正确。

什么给了？

Answer 1

所以re.findall(r"(?<=\W)"+ expansion, text) 有效，因为在匹配之前是一个非单词字符（表示为\w），“/”。您的正则表达式将匹配“美国 [这里的任何随机内容] 心脏协会”。这意味着在匹配内部字符串“American Heart Association”之前，先匹配“American College of Cardiology (ACC)/American Heart Association”。例如。如果您删除了字符串中的第一个“American”，您将使用正则表达式获得您正在寻找的匹配项。

您需要更加严格地使用正则表达式来排除此类情况。

Answer 2

正则表达式如下所示：

American Heart Association|(?<=\W)American Heart Association|American[-\s].*?\s*?Association

前 2 个备选方案匹配相同的文本，只有第二个备选方案前面带有肯定的后视。

您可以省略第二个替代方案，因为没有任何断言的第一个替代方案已经匹配它，或者如果第一个不匹配它，第二部分也将不匹配它。

由于模式从左到右匹配并遇到American 的第一个匹配项，因此第一个和第二个替代方案无法匹配American College of Cardiology。

然后第三个交替可以匹配它，并且由于.*?它可以延伸到第一次出现Association。

---

例如，您可以使用negated character class 排除可能匹配的字符：

\bAmerican\b[^/,.]*\bAssociation\b

Regex demo

或者您可以使用tempered greedy token 方法来不允许在第一部分和最后一部分之间使用特定单词：

\bAmerican\b(?:(?!American\b|Association\b).)*\bHeart Association\b

Regex demo