python - 正则表达式的字符串掩码和偏移量

Question

我有一个字符串，我尝试在该字符串上创建一个正则表达式掩码，在给定偏移量的情况下，该掩码将显示 N 个单词。假设我有以下字符串:

“敏捷的棕色狐狸跳过懒狗。”

我当时要显示3个字:

偏移量 0:“The quick, brown”
偏移量 1:“快，棕狐”
偏移量 2:“棕狐跳跃”
offset 3: “狐狸跳过”
offset 4: “跳过”
偏移量 5:“越过懒惰”
偏移量 6:“懒狗”。

我正在使用 Python，我一直在使用以下简单的正则表达式来检测 3 个单词:

>>> 重新导入
>>> s = "敏捷的棕色狐狸跳过懒狗。"
>>> re.search(r'(\w+\W*){3}', s).group()
'快速，棕色'

但我不知道如何使用一种掩码来显示接下来的 3 个单词而不是开头的单词。我需要保留标点符号。

Answer 1

前缀匹配选项

您可以通过使用可变前缀正则表达式来跳过第一个 offset 单词，并将单词三元组捕获到一个组中来完成这项工作。

所以像这样:

import re
s = "The quick, brown fox jumps over the lazy dog."

print re.search(r'(?:\w+\W*){0}((?:\w+\W*){3})', s).group(1)
# The quick, brown 
print re.search(r'(?:\w+\W*){1}((?:\w+\W*){3})', s).group(1)
# quick, brown fox      
print re.search(r'(?:\w+\W*){2}((?:\w+\W*){3})', s).group(1)
# brown fox jumps 

让我们看一下模式:

 _"word"_      _"word"_
/        \    /        \
(?:\w+\W*){2}((?:\w+\W*){3})
             \_____________/
                group 1

这就是它所说的:匹配 2 个词，然后捕获到第 1 组，匹配 3 个词。

(?:...) 结构用于对重复进行分组，但它们是非捕获的。

引用资料

• regular-expressions.info/Capturing Groups, Non-capturing Groups
  • Repeating a Capturing Group vs Capturing a Repeated Group

---

关于“单词”模式的注意事项

应该说 \w+\W* 对于“单词”模式来说是一个糟糕的选择，如下例所示:

import re
s = "nothing"
print re.search(r'(\w+\W*){3}', s).group()
# nothing

没有 3 个单词，但正则表达式无论如何都能匹配，因为 \W* 允许空字符串匹配。

也许更好的模式是这样的:

\w+(?:\W+|$)

即 \w+ 后跟 \W+ 或字符串 $ 的结尾。

---

捕获先行选项

正如 Kobi 在评论中所建议的那样，此选项更简单，因为您只有一个静态模式。它使用 findall 来捕获所有匹配项 ( see on ideone.com ):

import re
s = "The quick, brown fox jumps over the lazy dog."

triplets = re.findall(r"\b(?=((?:\w+(?:\W+|$)){3}))", s)

print triplets
# ['The quick, brown ', 'quick, brown fox ', 'brown fox jumps ',
#  'fox jumps over ', 'jumps over the ', 'over the lazy ', 'the lazy dog.']

print triplets[3]
# fox jumps over 

它的工作原理是它在零宽度单词边界 \b 上进行匹配，使用前瞻来捕获第 1 组中的 3 个“单词”。

    ______lookahead______
   /      ___"word"__    \
  /      /           \    \
\b(?=((?:\w+(?:\W+|$)){3}))
     \___________________/
           group 1

引用资料

• regular-expressions.info/Lookarounds