正则表达式匹配第一个非重复字符

Question

TL;DR

re.search("(.)(?!.*\1)", text).group() 不匹配文本中包含的第一个非重复字符（它总是返回第一个非重复字符处或之前的字符，如果没有非重复字符，则返回字符串末尾之前的字符.我的理解是，如果没有匹配项，re.search() 应该返回 None 。 我只是想了解为什么此正则表达式无法使用 Python re 模块按预期工作，而不是任何其他解决问题的方法

全背景

问题描述来自https://www.codeeval.com/open_challenges/12/。我已经使用非正则表达式方法解决了这个问题，但重新访问它以扩展我对 Python 的 re 模块的理解。 我认为可行的正则表达式（命名与未命名的反向引用）是：

(?P<letter>.)(?!.*(?P=letter)) 和 (.)(?!.*\1)（在 python2 和 python3 中的结果相同）

我的整个程序是这样的

import re
import sys
with open(sys.argv[1], 'r') as test_cases:
    for test in test_cases:
        print(re.search("(?P<letter>.)(?!.*(?P=letter))",
                        test.strip()
                       ).group()
             )

一些输入/输出对是：

rain | r
teetthing | e
cardiff | c
kangaroo | k
god | g
newtown | e
taxation | x
refurbished | f
substantially | u

根据我在https://docs.python.org/2/library/re.html阅读的内容：

• (.) 创建一个与任何字符匹配的命名组，并允许以后将其反向引用为\1。
• (?!...) 是一个否定的前瞻，它将匹配限制在 ... 不匹配的情况。
• .*\1 表示任意数量（包括零）的字符，后跟之前与 (.) 匹配的任何字符
• re.search(pattern, string) 仅返回正则表达式模式产生匹配的第一个位置（如果找不到匹配则返回 None）
• .group() 等价于 .group(0)，它返回整个匹配项

我认为这些部分应该可以解决上述问题，并且它确实像我认为的大多数输入一样工作，但在teething 上失败了。向它抛出类似的问题表明，如果它们是连续的，它似乎会忽略重复的字符：

tooth | o      # fails on consecutive repeated characters
aardvark | d   # but does ok if it sees them later
aah | a        # verified last one didn't work just because it was at start
heh | e        # but it works for this one
hehe | h       # What? It thinks h matches (lookahead maybe doesn't find "heh"?)
heho | e       # but it definitely finds "heh" and stops "h" from matching here
hahah | a      # so now it won't match h but will match a
hahxyz | a     # but it realizes there are 2 h characters here...
hahxyza | h    # ... Ok time for StackOverflow

我知道lookbehind 和negative lookbehind 仅限于最多3 个字符的固定长度字符串，并且即使它们评估为固定长度的字符串也不能包含反向引用，但我没有看到文档指定对负前瞻的任何限制。

Answer 1

Sebastian's answer 已经很好地解释了为什么您当前的尝试不起作用。

.NET

由于 你是 revo 对 .NET 风格的解决方法感兴趣，因此解决方案变得微不足道：

(?<letter>.)(?!.*?\k<letter>)(?<!\k<letter>.+?)

Demo link

这是可行的，因为 .NET 支持可变长度后视。您也可以使用 Python 获得该结果（见下文）。

所以对于每个字母(?<letter>.)，我们检查：

• 如果在输入中进一步重复 (?!.*?\k<letter>)
• 如果之前已经遇到过(?<!\k<letter>.+?)
  （我们必须在后退时跳过我们正在测试的字母，因此+）。

---

Python

Python regex module 也支持可变长度的lookbehinds，因此上面的正则表达式只需稍作语法更改即可工作：您需要将\k 替换为\g（这与此模块\g 一样非常不幸是组反向引用，而 PCRE 是递归）。

正则表达式是：

(?<letter>.)(?!.*?\g<letter>)(?<!\g<letter>.+?)

这是一个例子：

$ python
Python 2.7.10 (default, Jun  1 2015, 18:05:38)
[GCC 4.9.2] on cygwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import regex
>>> regex.search(r'(?<letter>.)(?!.*?\g<letter>)(?<!\g<letter>.+?)', 'tooth')
<regex.Match object; span=(4, 5), match='h'>

---

PCRE

好的，现在事情开始变糟了：由于 PCRE 不支持可变长度的后视，我们需要以某种方式记住输入中是否已经遇到给定的字母。 p>

很遗憾，正则表达式引擎不提供随机存取内存支持。就通用内存而言，我们能得到的最好的东西是 stack - 但这还不够，因为堆栈只允许我们访问其最顶层的元素。

如果我们接受将自己限制在给定的字母表中，我们可以滥用捕获组来存储标志。让我们在三个字母 abc 的有限字母表上看到这个：

# Anchor the pattern
\A

# For each letter, test to see if it's duplicated in the input string
(?(?=[^a]*+a[^a]*a)(?<da>))
(?(?=[^b]*+b[^b]*b)(?<db>))
(?(?=[^c]*+c[^c]*c)(?<dc>))

# Skip any duplicated letter and throw it away
[a-c]*?\K

# Check if the next letter is a duplicate
(?:
  (?(da)(*FAIL)|a)
| (?(db)(*FAIL)|b)
| (?(dc)(*FAIL)|c)
)

这是如何工作的：

• 首先，\A 锚确保我们将只处理输入字符串一次
• 然后，对于我们字母表中的每个字母X，我们将设置一个重复标志dX：
  • 这里使用了条件模式(?(cond)then|else)：
    • 条件为(?=[^X]*+X[^X]*X)，如果输入字符串包含两次X，则为真。
    • 如果条件为真，then 子句为(?<dX>)，这是一个空捕获组，将匹配空字符串。
    • 如果条件为假，dX 组将不匹配
  • 接下来，我们懒惰地跳过字母表中的有效字母：[a-c]*?
  • 我们在最后一场比赛中用\K将他们淘汰出局
  • 现在，我们正在尝试匹配 一个 其dX 标志未设置的字母。为此，我们将做一个条件分支：(?(dX)(*FAIL)|X)
    • 如果匹配到dX（意味着X 是重复字符），我们(*FAIL)，强制引擎回溯并尝试不同的字母。
    • 如果dX不匹配，我们会尝试匹配X。此时，如果成功，我们知道X 是第一个不重复的字母。

模式的最后一部分也可以替换为：

(?:
  a (*THEN) (?(da)(*FAIL))
| b (*THEN) (?(db)(*FAIL))
| c (*THEN) (?(dc)(*FAIL))
)

哪个有些更优化了。它匹配当前的字母 first 并且只有 then 检查它是否是重复的。

小写字母a-z 的完整模式如下所示：

# Anchor the pattern
\A

# For each letter, test to see if it's duplicated in the input string
(?(?=[^a]*+a[^a]*a)(?<da>))
(?(?=[^b]*+b[^b]*b)(?<db>))
(?(?=[^c]*+c[^c]*c)(?<dc>))
(?(?=[^d]*+d[^d]*d)(?<dd>))
(?(?=[^e]*+e[^e]*e)(?<de>))
(?(?=[^f]*+f[^f]*f)(?<df>))
(?(?=[^g]*+g[^g]*g)(?<dg>))
(?(?=[^h]*+h[^h]*h)(?<dh>))
(?(?=[^i]*+i[^i]*i)(?<di>))
(?(?=[^j]*+j[^j]*j)(?<dj>))
(?(?=[^k]*+k[^k]*k)(?<dk>))
(?(?=[^l]*+l[^l]*l)(?<dl>))
(?(?=[^m]*+m[^m]*m)(?<dm>))
(?(?=[^n]*+n[^n]*n)(?<dn>))
(?(?=[^o]*+o[^o]*o)(?<do>))
(?(?=[^p]*+p[^p]*p)(?<dp>))
(?(?=[^q]*+q[^q]*q)(?<dq>))
(?(?=[^r]*+r[^r]*r)(?<dr>))
(?(?=[^s]*+s[^s]*s)(?<ds>))
(?(?=[^t]*+t[^t]*t)(?<dt>))
(?(?=[^u]*+u[^u]*u)(?<du>))
(?(?=[^v]*+v[^v]*v)(?<dv>))
(?(?=[^w]*+w[^w]*w)(?<dw>))
(?(?=[^x]*+x[^x]*x)(?<dx>))
(?(?=[^y]*+y[^y]*y)(?<dy>))
(?(?=[^z]*+z[^z]*z)(?<dz>))

# Skip any duplicated letter and throw it away
[a-z]*?\K

# Check if the next letter is a duplicate
(?:
  a (*THEN) (?(da)(*FAIL))
| b (*THEN) (?(db)(*FAIL))
| c (*THEN) (?(dc)(*FAIL))
| d (*THEN) (?(dd)(*FAIL))
| e (*THEN) (?(de)(*FAIL))
| f (*THEN) (?(df)(*FAIL))
| g (*THEN) (?(dg)(*FAIL))
| h (*THEN) (?(dh)(*FAIL))
| i (*THEN) (?(di)(*FAIL))
| j (*THEN) (?(dj)(*FAIL))
| k (*THEN) (?(dk)(*FAIL))
| l (*THEN) (?(dl)(*FAIL))
| m (*THEN) (?(dm)(*FAIL))
| n (*THEN) (?(dn)(*FAIL))
| o (*THEN) (?(do)(*FAIL))
| p (*THEN) (?(dp)(*FAIL))
| q (*THEN) (?(dq)(*FAIL))
| r (*THEN) (?(dr)(*FAIL))
| s (*THEN) (?(ds)(*FAIL))
| t (*THEN) (?(dt)(*FAIL))
| u (*THEN) (?(du)(*FAIL))
| v (*THEN) (?(dv)(*FAIL))
| w (*THEN) (?(dw)(*FAIL))
| x (*THEN) (?(dx)(*FAIL))
| y (*THEN) (?(dy)(*FAIL))
| z (*THEN) (?(dz)(*FAIL))
)

这里是demo on regex101，带有单元测试。

如果您需要更大的字母表，您可以扩展此模式，但显然这不是通用解决方案。它主要具有教育意义，不应该用于任何严肃的应用。

---

对于其他风格，您可以尝试调整模式以用更简单的等价物替换 PCRE 功能：

• \A 变为 ^
• X (*THEN) (?(dX)(*FAIL)) 可以替换为 (?(dX)(?!)|X)
• 您可以丢弃\K 并将最后一个非capturnig 组(?:...) 替换为(?<letter>...) 之类的命名组，并将其内容视为结果。李>

唯一需要但有点不寻常的构造是条件组(?(cond)then|else)。

Answer 2

即使您使用不限制后向固定长度字符串（例如 Matthew Barnett 的正则表达式）的 re 替代实现，正则表达式也不是该任务的最佳选择。

最简单的方法是计算字母的出现次数并以频率等于 1 打印第一个：

import sys
from collections import Counter, OrderedDict

# Counter that remembers that remembers the order entries were added
class OrderedCounter(Counter, OrderedDict):
    pass

# Calling next() once only gives the first entry
first=next

with open(sys.argv[1], 'r') as test_cases:
    for test in test_cases:
        lettfreq = OrderedCounter(test)
        print(first((l for l in lettfreq if lettfreq[l] == 1)))

Answer 3

让我们以您的 tooth 为例 - 这是正则表达式引擎的作用（为了更好地理解而进行了很多简化）

从 t 开始，然后在字符串中向前看 - 并且向前看失败，因为还有另一个 t。

tooth
^  °

接下来以o，在字符串中向前看 - 失败，因为还有另一个o。

tooth
 ^°

接下来取第二个 o，在字符串中向前看 - 没有其他 o 存在 - 匹配它，返回它，工作完成。

tooth
  ^

所以你的正则表达式不匹配第一个未重复的字符，而是第一个，在字符串末尾没有进一步重复。

Answer 4

您的正则表达式不起作用的原因是它不会匹配 跟随 相同字符的字符，但没有什么可以阻止它匹配不是 的字符em>后跟同一个字符，即使它前面有同一个字符。