python - 在正则表达式中使用\b

Question

--已解决--我通过启用多行模式解决了我的问题，现在字符 ^ 和 $ 可以完美地识别每个字符串的开头和结尾

--编辑--

我的代码:

import re
import test_regex


def regex_content(text_content, regex_dictionary):

#text_content = text_content.lower()
regex_matches = []

# Search sanitized text (markup removed) for DLP theme keywords
for key,value in regex_dictionary.items():

  # Get confiiguration settings
  min_matches = value.get('min_matches',1)
  risk = value.get('risk',1)
  enabled = value.get('enabled',False)
  regex_str = value.get('regex','')

  # Fast compute True/False hit for each DLP theme word
  if enabled:
    print "Searching for key : %s" % (key)
    my_regex = re.compile(value.get('regex'))
    hits = my_regex.findall(text_content)

    if len(hits) > 0:
      regex_matches.append((key, risk, len(hits), hits))

# Return array of results (key, risk, number of hits, regex matches)
return regex_matches

def main():


    #print defaults.test_regex.dlp_regex

    text_content = ""

    for line in open('testData.txt'):
        text_content+=line

    for match in regex_content(text_content, test_regex.dlp_regex):
        print "\nFound %s : %s" % (match[0], match[3])

    print "\n"

if __name__ == '__main__':
main()

它使用的是这里的正则表达式:

'Large number of US Zip Codes' : { 'regex' : "\b\d{5}(?:-\d{1,4})?\b"},

当我在正则表达式前面加上“r”标志时，我可以找到我正在寻找的邮政编码，以及我正在搜索的文档中的所有其他 5 位数字。据我了解，这是因为它忽略了\b 字符。但是，如果没有 r 标志，它就找不到任何邮政编码。它在 regexr 中工作得很好，但在我的代码中却不行。我没有运气让\b 字符工作，也没有 ^ 和 $ 来识别我正在搜索的字符串的开头和结尾。我对这些特殊字符有什么误解？

--原帖--

我正在编写一个用于识别邮政编码(并且仅是邮政编码)的正则表达式，因此为了避免误报，我尝试使用以下两种方法在我的正则表达式中包含一个边界:

\b\d{5}\b|\b\d{5}-\b\d{1,4}\b

使用在线正则表达式调试器 Regexr，我的代码应该可以正确捕获 5 位邮政编码，例如 34332。但是，我有两个问题:
1. 这个正则表达式在我用于查找任何邮政编码的实际代码中不起作用，但是当我没有边界 (\b) 字符时它确实起作用。我试图用我的正则表达式提取的确切代码是:

Zip: 
----
98839-0111
34332

2。我不明白为什么我的正则表达式无法在 Regexr 中正确识别 98839-0111。我尝试了

的 super 原始方法

\b\d{5}\b|98839-0111

甚至无法识别 98839-0111。有谁知道会发生什么？

注意:我也尝试过使用 ^ 和 $ 作为正则表达式的边界，但这也找不到正则表达式，甚至在 Regexr 中也找不到。

编辑:删除正则表达式的第一部分后，只留下

98839-0111

它现在可以正确识别它。我想这意味着一旦一个字符串被我的正则表达式之一拉出，它就不能再被任何后续的正则表达式找到了吗？这是为什么？

Answer 1

是因为备选列表:匹配到第一部分，引擎停止检查。

尝试 this regex

98839-0111|\b\d{5}\b

你会得到一场比赛。

或者，在您的情况下更通用:

\b(?:\d{5}-\d{4}|\d{5})\b

将同时匹配，甚至更多(实际上，在功能上与 \b\d{5}(?:-\d{4})?\b 相同)。 See demo .