正则表达式不返回结果

Posted 2023-04-13

【中文标题】正则表达式不返回结果

【英文标题】：Regex returns no results

【发布时间】：2017-11-22 14:10:34

【问题描述】：

我编写了一个正则表达式，可以从 unicode 字符串中提取年份（例如，2014-2015）。正则表达式中的\d1,2\^ 代表月份代码，可能存在也可能不存在。

不管怎样，这是我写的代码：

# -*- coding: utf-8 -*-

import re
list_elem = '''Frank P. Smith (1886–1888)
Edgar Grant Sisson (1914–1917)
Douglas Z. Doty (1917–1918)
 Ray Long (1918–1931)

Harry Payne Burton (1931–1942)
Frances Whiting (1942–1945)
Arthur Gordon (1946–1948)'''

period_regex = ur'(\d1,2\^)?\s?\d4\s?(–|-)\s?(\d1,2\^)?\s?\d4'  #regex for checking if its a single year or period

#checking if a normal regex works
print re.search(r'W', list_elem, flags=re.IGNORECASE)
print re.findall(r'W\w+', list_elem, flags=re.IGNORECASE)

#main regex
print re.search(period_regex, list_elem, flags=re.IGNORECASE)
print re.findall(period_regex, list_elem, flags=re.IGNORECASE)

输出是：

<_sre.SRE_Match object at 0x7f8bfd1b5510>
['Whiting']
None
[]

我编写的正则表达式似乎工作正常。这是正则表达式的链接：https://regex101.com/r/scAtgw/2

但是，当我运行我的程序时，我仍然得到一个空匹配。任何想法我做错了什么？？

【问题讨论】：

可能与Unicode有关。在这里，it works。顺便说一句，如果您只需要获得所有匹配项，我认为您需要将所有捕获组替换为非捕获组。喜欢r'(?:\d1,2\^)?\s?\d4\s?[–-]\s?(?:\d1,2\^)?\s?\d4'

@WiktorStribiżew 是的，这是一个更好的正则表达式，可以满足我的要求，但我仍然无法在我的机器上找到任何匹配项。任何想法如何解决与 unicode 相关的问题？

您需要通过在其声明中添加u"" 前缀来使list_elem 成为Unicode 字符串。见ideone.com/0d4nqv。

@WiktorStribiżew 我这样做了，仍然没有结果:(

看，它在这里工作 - ideone.com/Ltw4rA。

【参考方案1】：

这里的主要问题是，由于您使用的是 Unicode 文本，因此输入字符串也应该是 Unicode。这可以通过在字符串文字中添加 u 前缀来解决。

但是，re.findall 将存在一个问题，即仅返回在模式中定义的捕获组内容。由于您的模式包含捕获组，因此您将获得一个元组列表。因此，您需要将所有捕获组转换为非捕获组。

如果您需要打印这些值，您可能需要.encode("utf8") 这些值。

见Python 2 demo online：

# -*- coding: utf-8 -*-
import re
list_elem = u'''Frank P. Smith (1886–1888)
    Edgar Grant Sisson (1914–1917)
    Douglas Z. Doty (1917–1918)
     Ray Long (1918–1931)

    Harry Payne Burton (1931–1942)
    Frances Whiting (1942–1945)
    Arthur Gordon (1946–1948)'''

period_regex = ur'(?:\d1,2\^)?\s?\d4\s?[–-]\s?(?:\d1,2\^)?\s?\d4'  #regex for checking if its a single year or period
print re.search(r'W', list_elem, flags=re.IGNORECASE)
print re.findall(r'W\w+', list_elem, flags=re.IGNORECASE)

print re.search(period_regex, list_elem, flags=re.IGNORECASE).group(0).encode('utf8')
for x in  re.findall(period_regex, list_elem, flags=re.IGNORECASE):
    print x.encode('utf8')

结果：

<_sre.SRE_Match object at 0x2b05baf525e0>
[u'Whiting']
1886–1888
1886–1888
1914–1917
1917–1918
1918–1931
1931–1942
1942–1945
1946–1948

注意list_elem = u'''Frank 中的u""" 和所有( 在模式中都替换为(?:，使组不被捕获。

此外，[–-] 与 (?:–|-) 相同，但更短且更高效。

【讨论】：

这正是我正在寻找的答案。也感谢您改进正则表达式:)

【参考方案2】：

在打印语句中的list_elem 和.encode('utf8') 中添加'u' 作为前缀应该可以解决您的问题。例如，

print re.search(period_regex, list_elem, flags=re.IGNORECASE).group(0).encode('utf8')