在Python中排除匹配的字符串 re.findall

Question

我正在使用Python的re.findall方法来查找输入字符串中某个特定字符串的出现情况。比如说，在'ABCdef'这个字符串中，我有两个查找需求。

1. 查找以单个大写字母开头的字符串。
2. 在找到第一个后，再查找包含全大写字母的字符串。

例如，输入字符串和期望的输出如下：

• 'USA' -- 输出: ['USA']
• 'BObama' -- 输出: ['B', 'Obama']
• 'Institute20CSE' -- 输出: ['Institute', '20', 'CSE']

所以我希望从

>>> matched_value_list = re.findall ( '[A-Z][a-z]+|[A-Z]+' , 'ABCdef' )

中得到 ['AB', 'Cdef']。

但结果似乎并不是这样。我得到的返回值是 ['ABC']，这匹配了正则表达式的后半部分，整个字符串。

那么有没有办法可以忽略已经找到的匹配项？这样一来，当 'Cdef' 与 '[A-Z][a-z]+' 匹配后，正则表达式的第二部分（即 '[A-Z]+'）就只与剩下的字符串 'AB' 匹配？

Answer 1

你可以使用这个正则表达式

[A-Z][a-zA-Z]*?(?=[A-Z][a-z]|[^a-zA-Z]|$)

Answer 2

首先，你需要找到一个模式 AB，后面跟着一个大写字母，然后是一个小写字母，或者这个模式出现在字符串的末尾。为了实现这个，你可以使用一种叫做 look-ahead 的技巧。

接下来，你需要匹配一个大写字母 C，后面跟着多个小写字母 def。

所以，你可以使用这个模式：

>>> s = "ABCdef"
>>> re.findall("([A-Z]+(?=[A-Z][a-z]|$)|[A-Z][a-z]+)", s)
['AB', 'Cdef']

>>> re.findall("([A-Z]+(?=[A-Z][a-z]|$)|[A-Z][a-z]+)", 'MumABXYZCdefXYZAbc')
['Mum', 'ABXYZ', 'Cdef', 'XYZ', 'Abc']

---

正如 @sotapme 在评论中提到的，你也可以对上面的正则表达式进行修改：

"([A-Z]+(?=[A-Z]|$)|[A-Z][a-z]+|\d+)"

添加了 \d+，因为你还想匹配数字，就像你给的一个例子那样。同时，他还从第一个 look-ahead 的部分去掉了 [a-z]。这样做是有效的，因为外面的 [A-Z] 使用了 + 这个量词，它默认是贪婪的，所以它会自动匹配尽可能多的字符串，直到最后一个大写字母之前停止。