正则表达式查找器：在相同的符号上搜索两次

Question

我需要在文本中找到匹配项并获取其位置。例如，我必须在文本中找到“hello hello”。当文本是“hello hello world hello hello”时，没关系，我得到的位置是 0-11 和 18-29。但是当文本是“hello hello hello world”时，我只得到一个位置 - 0-11。但我必须找到两个（0-11 和 6-17）。我的意思是，我明白了

1. 你好你好你好世界

但必须得到

1. 你好你好你好世界

2. 你好你好你好世界

在另一种情况下，我必须找到复杂的模式：“hello 1,2 beautiful 2,4 world”——这意味着“hello”和“beautiful”这两个词之间可能是一两个词，而两个词之间是“美丽”和“世界”2、3或4个字。我必须找到所有的组合。

这是模式：re.compile(u'(^|[\[\]\/\\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@])(hello)(([\[\]\/\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@%]+[a-zA-Zа-яА-Я$]+(-[a-zA-Zа-яА-Я$]+)*){1,2}[\[\]\/\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@%]*)(beautiful)(([\[\]\/\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@%]+[a-zA-Zа-яА-Я$]+(-[a-zA-Zа-яА-Я$]+)*){2,4}[\[\]\/\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@%]*)(world)($|[\[\]\/\\\^\$\.\|\?\*\+\(\)\{\} !<>:;,#@])')

而文字是“你好非常美丽美丽非常大的世界世界”。我可以得到唯一的一个组合，但需要得到 4 个：

1. 你好非常美丽美丽非常大世界世界

2. 你好非常美丽美丽非常大世界世界

3. 你好非常美丽美丽非常大的世界世界

4. 你好非常美丽美丽世界很大世界

当匹配项相互交叉时，如何获取匹配项的所有组合？

标志 re.DOTALL 没有帮助。

import re

patterns = [
    u'(hello)(( [a-z]+ *){1,2})(beautiful)(( [a-z]+ *){2,4})(world)',
    u'hello hello'
]
text = u'hello hello hello world hello very beautiful beautiful very big world world'
for p in patterns:
    print p
    c = re.compile(p, flags=re.I+re.U)
    for m in c.finditer(text):
        print m.start(), m.end()

结果是

>>> (hello)(( [a-z]+ *){1,2})(beautiful)(( [a-z]+ *){2,4})(world)
>>> 24 69
(need 24 69 and 24 69 and 24 75 and 24 75 - because there are two positions of the word "beautiful")
>>> hello hello
>>> 0 11
(need 0 11 and 6 17)

模式的真实例子是：

u"выйдите на улицы", u"избавить.* от", u"смотрите смотрите", u"смеят.*"

还有距离：

имени 0,3 ленина

целых 0,5 лет.*

целых 0,5 лет.* 0,1 назад

UPD

变体u'(?=(hello hello)) 有助于在单词之间没有距离的模式。但是如何在有距离的模式中使用它，例如(hello) (?:[a-zA-Zа-яА-Я]+ ){1,2}(beautiful) (?:[a-zA-Zа-яА-Я]+ ){2,4}(world)？

Answer 1

您的问题仍然不清楚您想做什么，但我会尝试一下：

正则表达式查找重复而不消耗：

([a-zA-Zа-яА-Я]+)(?= (\1))

正则表达式查找 hello beautiful 和 world 之间有特定数量的单词：

(hello) (?:[a-zA-Zа-яА-Я]+ ){1,2}(beautiful) (?:[a-zA-Zа-яА-Я]+ ){2,4}(world)

最终更新

你想要做的事情并不容易在一次运行中完全在正则表达式中完成。

更简单的是循环并执行不同的正则表达式：

for i in range(1,3):
    for j in range(2,5):
        regStr='(hello) (?:\w+ ){' + str(i) + '}(beautiful) (?:\w+ ){' + str(j) +'}(world)'

然后使用

再次检查重复项

([a-zA-Zа-яА-Я]+)(?= (\1))

Answer 2

我认为您可以尝试下面的表达式而不是正则表达式，看起来不太好，但可能会解决您的问题：

表达式：

 [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]

它给出了字符串中模式位置的列表输出。

In [43]: string = "hello very beautiful beautiful very big world world"
In [44]: pattern='hello'
In [45]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[45]: [0]
In [46]: pattern='very'
In [47]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[47]: [6, 31]
In [48]: pattern='world'
In [49]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[49]: [40, 46]
In [50]: pattern='very big'
In [51]: [pos for pos, char in enumerate(string) if string[pos:].find(pattern) == 0]
Out[51]: [31]

希望这会有所帮助。