正则表达式中的可选点

Posted 2023-02-23

技术标签:

【中文标题】正则表达式中的可选点【英文标题】：Optional dot in regex 【发布时间】：2015-01-10 12:36:12 【问题描述】：

假设我想将Mr. 和Mr 的所有匹配项替换为Mister。

我正在使用以下正则表达式：\bMr(\.)?\b 匹配 Mr. 或仅匹配 Mr。然后，我使用re.sub() method 进行替换。

让我感到困惑的是，它正在用Mister. 替换Mr.。为什么要在末尾保留点.？看起来它与Mr\. 的情况不匹配，而只是Mr。

import re
s="a rMr. Nobody Mr. Nobody is Mr Nobody and Mra Nobody."
re.sub(r"\bMr(\.)?\b","Mister", s)

'a rMr. Nobody Mister. Nobody is Mister Nobody and Mra Nobody.'

我也尝试了以下方法，但也没有运气：

re.sub(r"\b(Mr\.|Mr)\b","Mister", s)

我想要的输出是：

'a rMr. Nobody Mister Nobody is Mister Nobody and Mra Nobody.'
                     ^                              ^
                     no dot            this should be kept as it is

【问题讨论】：

您正在对可选的 '.' 进行分组。字符。您也可以使用解决方法\bMr\b\.? @hwnd 这是个好方法！我喜欢，谢谢。 @fedorqui 你想在foo:Mr:bar 中匹配Mr 吗？ @AvinashRaj : 不太可能出现在我的字符串中。唯一可能的情况是Mr-Nobody，它也应该扩展为Mister。因此，想法是所有Mr 或Mr. 都应扩展为Mister，除非它们后面出现字母数字字符。 【参考方案1】：

我认为您想捕获'Mr'，后跟'.'或单词边界：

r"\bMr(?:\.|\b)"

使用中：

>>> import re
>>> re.sub(r"\bMr(?:\.|\b)", "Mister", "a rMr. Nobody Mr. Nobody is Mr Nobody and Mra Nobody.")
'a rMr. Nobody Mister Nobody is Mister Nobody and Mra Nobody.'

【讨论】：

不错！哪些边缘情况会阻止?:？对我来说，\bMr(\.|\b) 工作正常。 @fedorqui 在Mr 之后需要捕获点或单词边界吗？ @fedorqui (\.|\b) 还捕获了 Mr 后面的任何内容，例如，您可以在正则表达式后重用它。 ?: 使它不会发生。它对性能和可读性几乎没有任何影响，但如果您重复一个组未知次数，然后需要在该重复组后面捕获一个组，它会很有帮助。使重复组不捕获意味着您提前知道捕获组的索引是什么，并且不必先计算它。 @NateKerkhofs 我会说它对可读性有重大影响，尤其是在这种情况下毫无意义的情况下。写\bMr\b\.?不是更简单吗？【参考方案2】：

re.sub(r"\bMr\.|\bMr\b","Mister", s)

试试这个。你需要在.之后删除\b

输出：a rMr. Nobody Mister Nobody is Mister Nobody and Mra Nobody.'

\bMr(\.)?\b 不起作用的原因是. 和space 之间没有字边界。

有资格作为单词边界的三个不同位置：

在字符串的第一个字符之前，如果第一个字符是单词字符。在字符串的最后一个字符之后，如果最后一个字符是单词字符。字符串中两个字符之间，一个是单词字符，另一个不是单词字符。

【讨论】：

对不起，我的问题不够清楚：Mra 必须保持原样，我不希望它被替换为Mistera。也就是说，我想要Mr. 或Mr + 字边界。 OP 不想在 Mr.hghggh 中匹配 Mr. 这是一个很好的答案，非常感谢您对我做错了什么的非常有见地的解释，您如何正确地做以及为什么做错。我选择@jonrsharpe 的答案作为已接受的答案，因为它更直接，但绝对赞成这一点。【参考方案3】：

我认为在原始帖子中\b 是造成一些混乱的原因。

来自regex101：

\b 在 a 之间立即匹配，不消耗任何字符 \w 匹配的字符和 \w 不匹配的字符（在任一顺序）。

和

\w 匹配任何字母、数字或下划线。

OP 期望 \b 匹配点和它后面的空格之间的边界。但它没有，因为点与\w 不匹配。相反，\b 匹配“先生”文本和点之间的边界。这导致点没有被捕获，这是 OP 所要求的。可以在这里看到：

【讨论】：

有趣！请注意，尽管以 Mr 开头的字符串不会被您当前的解决方案替换。这就是词边界\b的原因。好点！我是按照这个例子来的。我删除了解决方案并留下了对问题的解释。【参考方案4】：

>>> s="a rMr. Nobody Mr. Nobody is Mr Nobody and Mra Nobody."
>>> re.sub(r'\b(Mr[\.\s]\s*)',r'Mister ',s)
'a rMr. Nobody Mister Nobody is Mister Nobody and Mra Nobody.'

【讨论】：

这可行，但它会将“先生”之后的多个空格替换为一个空格。请参阅regex101.com/r/sC9nG6/4 为避免此问题，您可以改用re.sub(r'\b(Mr(\.)?(\s+))',r'Mister\3',s)。见regex101.com/r/sC9nG6/5【参考方案5】：