Python - 正则表达式搜索和查找所有

Question

我需要在一个字符串中找到所有符合给定正则表达式的匹配项。我一直在用 findall() 来实现这个功能，直到我遇到一个情况，它的表现和我预期的不一样。例如：

regex = re.compile('(\d+,?)+')
s = 'There are 9,000,000 bicycles in Beijing.'

print re.search(regex, s).group(0)
> 9,000,000

print re.findall(regex, s)
> ['000']

在这个例子中，search() 返回了我需要的结果（最长的匹配），但是 findall() 的表现却不一样，尽管文档上说它们应该是一样的：

findall() 会匹配模式的所有出现，而不仅仅是像 search() 那样匹配第一个。

• 为什么它们的行为会不同？

• 我怎么才能用 findall() （或者其他方法）得到 search() 的结果呢？

Answer 1

@aleph_null的回答正确地解释了导致你问题的原因，但我觉得我有一个更好的解决方案。使用这个正则表达式：

regex = re.compile(r'\d+(?:,\d+)*')

以下是为什么这个方案更好的几个原因：

1. (?:...)是一个不捕获的分组，这样每次匹配时你只会得到一个结果。

2. \d+(?:,\d+)*是一个更好的正则表达式，它更高效，也更不容易出现错误匹配的情况。

3. 如果可能的话，使用Python的原始字符串来写正则表达式；这样你就不容易被正则表达式中的转义字符（比如\b表示“单词边界”）搞混成字符串中的转义字符（比如\b表示“退格”）。

Answer 2

好的，我明白发生了什么……根据文档：

如果模式中有一个或多个分组，就会返回一个分组的列表；如果模式有多个分组，这将是一个元组的列表。

实际上，你确实有一个分组，“(\d+,?)”……所以，它返回的是这个分组的最后一个匹配结果，或者说是000。

一个解决办法是把整个正则表达式用一个分组包起来，像这样：

regex = re.compile('((\d+,?)+)')

这样，它会返回 [('9,000,000', '000')]，这是一个包含两个匹配分组的元组。当然，你只关心第一个。

就我个人而言，我会使用以下的正则表达式：

regex = re.compile('((\d+,)*\d+)')

这样可以避免匹配到像“这是一个坏数字 9,123,”这样的内容。

编辑。

这里有一种方法，可以避免用括号包住表达式或处理元组：

s = "..."
regex = re.compile('(\d+,?)+')
it = re.finditer(regex, s)

for match in it:
  print match.group(0)

finditer 返回一个迭代器，你可以用它来访问找到的所有匹配项。这些匹配对象和 re.search 返回的是一样的，所以 group(0) 会返回你期待的结果。