python - %s 在正则表达式中表现出奇怪的行为

Question

我有一个字符串，我想在其中查找括号前面的一些单词。假设字符串是 -

'there are many people in the world having colorectal cancer (crc) who also have the depression syndrome (ds)'

我想在括号前捕获最多 5 个单词。我有一个括号内的缩写列表 acronym_list - [(crc), (ds)]。所以我使用以下代码 -

acrolen=5
rt=[]
for acro in acronym_list:
    find_words= re.findall('((?:\w+\W+){1,%d}%s)'  %(acrolen, acro), text, re.I)
    for word in find_words:
            rt.append(word)
print rt

但这给出了这个结果 -

('the world having colorectal cancer (crc', 'crc')
('also have the depression syndrome (ds', 'ds')

如果我使用正则表达式 -

find_words= re.findall('((?:\w+\W+){1,%d}\(crc\))' %(acrolen),s, re.I)

然后它就能准确找到我想要的东西，即 -

the world having colorectal cancer (crc)

问题是 - 为什么在这里使用 %s 表示字符串会导致正则表达式匹配差异如此之大(周围有不必要的括号，重复缩写词等......)

如何正确使用第一个正则表达式，以便可以使用循环自动执行该过程，而不必每次都在正则表达式中输入确切的字符串？

Answer 1

您需要确保传递的变量正确转义，以便用作正则表达式模式内的文字文本。使用re.escape(acro):

import re
text = "there are many people in the world having colorectal cancer (crc) who also have the depression syndrome (ds)"
acrolen=5
rt=[]
acronym_list = ["(crc)", "(ds)"]
for acro in acronym_list:
    p = r'((?:\w+\W+){1,%d}%s)' %(acrolen, re.escape(acro))
    # Or, use format:
    # p = r'((?:\w+\W+){{1,{0}}}{1})'.format(acrolen, re.escape(acro))
    find_words= re.findall(p, text, re.I)
    for word in find_words:
        rt.append(word)
print rt

请参阅Python demo

另外，请注意，您不需要用捕获组将整个模式括起来，如果模式中未定义捕获组，re.findall 将返回匹配值。

还建议在定义正则表达式模式时使用原始字符串文字，以避免出现歧义的情况。