匹配所有字符，但排除某些词

Question

我这几天在学习正则表达式（Regex），并在用Python实现它，但遇到了一些问题还没解决。

我有一段这样的文本：

FOO1 = BAR2 AND Var1
Gene3 = Gene4 >= 3
Kinase = MATH OR NOT Science
BOOP = 3

我想找出每个变量的名字（比如 FOO1、BAR2、BOOP），同时忽略掉任何逻辑运算符（比如 AND、OR、NOT）。

这是我尝试的解决办法：(?!AND)(?!OR)(?!NOT)([a-zA-Z0-9]+)

我在让这些“前瞻”部分识别 AND、OR、NOT 时遇到了麻烦，因为它们被当作单独的字符而不是一个完整的词。

如果有人能帮忙就太好了，非常感谢！

Answer 1

你需要使用一个单词边界（\b）。这个东西很有用，可以帮助你找到一个单词的开始或结束。它的工作原理是进行一个零长度的断言（也就是说，它实际上并不匹配任何东西，有点像锚点 ^ 和 $），在 (^\w|\w\W|\W\w|\w$) 上进行检查。换句话说，它确保一个单词（\w 等于 [a-zA-Z0-9_]）旁边有一个非单词字符，或者是在字符串的开始或结束。你也可以把你的表达式组合起来（而且捕获组可能并不是必需的）：

\b(?!AND|OR|NOT)[a-zA-Z0-9]+

演示

注意，在表达式的末尾不需要单词边界，因为正则表达式是贪婪的，会尽可能多地匹配 [a-zA-Z0-9]+。

---

如果你的变量中可以包含下划线（_），那么使用 \w 这个简写字符类可能会更简洁（正如上面提到的，它和 [a-zA-Z0-9_] 是一样的）。最终的表达式将是：

\b(?!AND|OR|NOT)\w+

---

顺便提一下，(?!...) 是一个负向前瞻，而不是负向后顾（它确保引擎内部指针前面的字符不匹配 ...）。

Answer 2

首先，感谢你分享你的尝试。接下来，我们来看看怎么改进你的正则表达式，让它更简单：

1. 你已经有了一些不错的前瞻（lookaheads），我们可以把它简化成：(?!AND|OR|NOT)([a-zA-Z0-9]+)

2. 其实我们不需要捕获组 (?!AND|OR|NOT)[a-zA-Z0-9]+

3. 我们可以加一个单词边界，这样可以防止部分匹配，变成 (?!AND|OR|NOT)\b[a-zA-Z0-9]+

举个例子，输入 foo AND bar：

foo AND bar
^ Checks if there is no "AND", "OR" or "NOT" literally
since there isn't, it will match foo with [a-zA-Z0-9]+

foo AND bar
   ^ no match

foo AND bar
    ^ Here it will fail because of the negative lookahead

foo AND bar
     ^ It will succeed because there is no "AND", "OR" or "NOT" literally

所以解决方案是加一个单词边界 \b，这和 (?<!\w) 是一样的。这意味着如果后面有一个单词字符，正则表达式就会失败。

foo AND bar
     ^ fail, because there is a word character behind

foo AND bar
        ^^^ match

在线演示