Python：正则表达式无法正常工作
Posted
技术标签:
【中文标题】Python：正则表达式无法正常工作【英文标题】：Python: Regular Expression not working properly 【发布时间】：2016-05-09 04:47:27 【问题描述】：我正在使用下面的正则表达式，它假设找到字符串'U.S.A.'，但它只得到'A.'，有人知道怎么了吗？
#INPUT
import re
text = 'That U.S.A. poster-print costs $12.40...'
print re.findall(r'([A-Z]\.)+', text)
#OUTPUT
['A.']
预期输出：
['U.S.A.']
我正在关注 NLTK 书，第 3.7 章 here，它有一组正则表达式，但它无法正常工作。我在 Python 2.7 和 3.4 都试过了。
>>> text = 'That U.S.A. poster-print costs $12.40...'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \w+(-\w+)* # words with optional internal hyphens
... | \$?\d+(\.\d+)?%? # currency and percentages, e.g. $12.40, 82%
... | \.\.\. # ellipsis
... | [][.,;"'?():-_`] # these are separate tokens; includes ], [
... '''
>>> nltk.regexp_tokenize(text, pattern)
['That', 'U.S.A.', 'poster-print', 'costs', '$12.40', '...']
nltk.regexp_tokenize() 与 re.findall() 的工作方式相同，我认为我的 python 在这里无法按预期识别正则表达式。上面列出的正则表达式输出如下：
[('', '', ''),
('A.', '', ''),
('', '-print', ''),
('', '', ''),
('', '', '.40'),
('', '', '')]
【问题讨论】：
由于您没有提到模式并且如果您的唯一动机是使用(U.S.A.) 找到U.S.A. 就足够了。
见github.com/nltk/nltk/issues/1206和***.com/questions/32300437/…和***.com/questions/22175923/…
【参考方案1】：
这可能与之前使用 v3.1 中已废除的 nltk.internals.compile_regexp_to_noncapturing() 编译正则表达式的方式有关，请参阅 here)
>>> import nltk
>>> nltk.__version__
'3.0.5'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... | \w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... | [+/\-@&*] # special characters with meanings
... '''
>>>
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
但它在NLTK v3.1中不起作用：
>>> import nltk
>>> nltk.__version__
'3.1'
>>> pattern = r'''(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... | \$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... | \w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... | [+/\-@&*] # special characters with meanings
... '''
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
[('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', '')]
通过对定义正则表达式组的方式稍作修改，您可以使用此正则表达式在 NLTK v3.1 中获得相同的模式：
pattern = r"""(?x) # set flag to allow verbose regexps
(?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
|\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
|\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
|(?:[+/\-@&*]) # special characters with meanings
"""
在代码中：
>>> import nltk
>>> nltk.__version__
'3.1'
>>> pattern = r"""
... (?x) # set flag to allow verbose regexps
... (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
... |\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
... |(?:[+/\-@&*]) # special characters with meanings
... """
>>> from nltk.tokenize.regexp import RegexpTokenizer
>>> tokeniser=RegexpTokenizer(pattern)
>>> line="My weight is about 68 kg, +/- 10 grams."
>>> tokeniser.tokenize(line)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
在没有 NLTK 的情况下，使用 python 的 re 模块，我们看到原生不支持旧的正则表达式模式：
>>> pattern1 = r"""(?x) # set flag to allow verbose regexps
... ([A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\$?\d+(\.\d+)?%? # numbers, incl. currency and percentages
... |\w+([-']\w+)* # words w/ optional internal hyphens/apostrophe
... |[+/\-@&*] # special characters with meanings
... |\S\w* # any sequence of word characters#
... """
>>> text="My weight is about 68 kg, +/- 10 grams."
>>> re.findall(pattern1, text)
[('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', ''), ('', '', '')]
>>> pattern2 = r"""(?x) # set flag to allow verbose regexps
... (?:[A-Z]\.)+ # abbreviations, e.g. U.S.A.
... |\d+(?:\.\d+)?%? # numbers, incl. currency and percentages
... |\w+(?:[-']\w+)* # words w/ optional internal hyphens/apostrophe
... |(?:[+/\-@&*]) # special characters with meanings
... """
>>> text="My weight is about 68 kg, +/- 10 grams."
>>> re.findall(pattern2, text)
['My', 'weight', 'is', 'about', '68', 'kg', '+', '/', '-', '10', 'grams']
注意： NLTK 的 RegexpTokenizer 编译正则表达式的方式的变化也会使 NLTK's Regular Expression Tokenizer 上的示例过时。
【讨论】：
【参考方案2】：删除尾随+，或将其放入组中：
>>> text = 'That U.S.A. poster-print costs $12.40...'
>>> re.findall(r'([A-Z]\.)+', text)
['A.'] # wrong
>>> re.findall(r'([A-Z]\.)', text)
['U.', 'S.', 'A.'] # without '+'
>>> re.findall(r'((?:[A-Z]\.)+)', text)
['U.S.A.'] # with '+' inside the group
【讨论】：
【参考方案3】：正则表达式匹配的文本的第一部分是“U.S.A.”因为([A-Z]\.)+ 匹配第一组（括号内的部分）三次。但是，每个组只能返回一个匹配项，因此 Python 会选择该组的最后一个匹配项。
如果您改为更改正则表达式以在组中包含“+”，则该组将只匹配一次并返回完整匹配。例如(([A-Z]\.)+) 或((?:[A-Z]\.)+)。
如果您想要三个单独的结果，那么只需去掉正则表达式中的“+”号，它每次只会匹配一个字母和一个点。
【讨论】：
【参考方案4】：问题在于“捕获组”，也就是括号，它对findall() 的结果产生了意想不到的影响：当一个捕获组在比赛中被多次使用时，正则表达式引擎会丢失轨道并发生奇怪的事情.具体来说：正则表达式正确匹配整个U.S.A.，但findall 将其丢弃在地板上，仅返回最后一组捕获。
正如this answer 所说，re 模块不支持重复捕获组，但您可以安装替代的regexp 模块来正确处理此问题。 （但是，如果您想将正则表达式传递给 nltk.tokenize.regexp，这对您没有帮助。）
无论如何要正确匹配U.S.A.，请使用：r'(?:[A-Z]\.)+', text)。
>>> re.findall(r'(?:[A-Z]\.)+', text)
['U.S.A.']
您可以对 NLTK 正则表达式中的所有重复模式应用相同的修复，一切都会正常工作。正如@alvas 建议的那样，NLTK 曾经在幕后进行这种替换，但最近在标记器的文档中删除了这个功能并用a warning 替换。这本书显然已经过时了； @alvas 在 11 月就此事提交了 bug report，但尚未采取行动……
【讨论】：
以上是关于Python：正则表达式无法正常工作的主要内容，如果未能解决你的问题，请参考以下文章