python - 获取重叠匹配的开始和停止索引？

Question

我需要知道下一个正则表达式匹配的开始和结束索引:

pat = re.compile("(?=(ATG(?:(?!TAA|TGA|TAG)\w\w\w)*))")

示例字符串是 s='GATGDTATGDTAAAA'

pat.findall(s) 返回所需的匹配项 ['ATGDTATGD', 'ATGDTAAAA']。如何提取开始和结束索引？我试过:

iters = pat.finditer(s)
for it in iters:
    print it.start()
    print it.end()

但是，it.end() 总是与 it.start() 重合，因为我的模式开始于 (?= 所以它不消耗任何字符串(我需要它来捕获重叠匹配项)。显然 pat.findall 提取了所需的字符串，但是如何获取开始和停止索引？

Answer 1

正如@Tomalak 所说，正则表达式引擎没有重叠匹配的内置概念，因此找不到“聪明”的解决方案(事实证明这是错误的 - 见下文)。但是用循环来做很简单:

import re
pat = re.compile("ATG(?:(?!TAA|TGA|TAG)\w\w\w)*")
s = 'GATGDTATGDTAAAA'
i = 0
while True:
    m = pat.search(s, i)
    if m:
        start, end = m.span()
        print "match at {}:{} {!r}".format(start, end, m.group())
        i = start + 1
    else:
        break

显示

match at 1:10 'ATGDTATGD'
match at 6:15 'ATGDTAAAA'

它的工作原理是在最后一个匹配项开始后的一个字符后重新开始搜索，直到找不到更多匹配项。

“聪明”还是定时炸弹？

如果您想过危险的生活，可以对原始 finditer 代码进行两个字符的更改:

print it.start(1)
print it.end(1)

即获取第一个(1)捕获组的开始和结束。通过不传递参数，您将获得匹配的开始和结束作为一个整体 - 但当然匹配断言总是匹配空字符串(因此开始和结束是相等的)。

我说这是危险的，因为断言内部的捕获组的语义(无论是先行还是后行，正面或负面，......)充其量是模糊的。很难说您是否在这里偶然发现了错误(或实现事故)!可爱:-)

编辑:经过一夜的 sleep 和对 Python-Dev 的简短讨论后，我相信这种行为是故意的(而且也非常可靠)。要找到正则表达式 R 的所有(可能重叠!)匹配项，请像这样包装它:

pat = re.compile("(?=(" + R + "))")

然后

for m in pat.finditer(some_string):
    m.group(1)  # the matched substring
    m.span(1)   # the slice indices of the match substring
    # etc

工作正常。

最好将 (?=(R)) 理解为“在此处匹配一个空字符串，但前提是 R 从此处开始，如果成功，将关于什么 R 匹配到第 1 组的信息”。然后 finditer() 像匹配空字符串时一样继续进行:它将搜索的开始移动到下一个字符，然后再次尝试(与我的第一个答案中的手动循环相同做了)。

将它与 findall() 一起使用会更棘手，因为如果 R 也包含捕获组，您将获得所有捕获组(不能选择，因为您可以使用匹配对象，例如 finditer() 返回)。