python - 即使我给它向前看和向后看的要求，正则表达式是否总是贪婪的？

Question

我有一个 re.sub 程序，它可以替换 text_string 中逗号之间的某些值:

re.sub('(?:(?<=\,)|(?<=^))[^\w\d\r\n\t]*(HUN)[^\w\d\r\n\t]*(?=(?:\,|$))','',text_string,flags=re.IGNORECASE)

它将 HUN 替换为空。

我在很多文件上尝试过这个。有时文件很大，有时很小。有时，我会从 re.py 库中收到 MemoryError。分割此执行的最佳方法是什么，这样我就不会收到 MemoryError ？

恐怕正则表达式首先查看整个字符串(例如，如果 text_string is t,w,g,g,hun,t,w )，然后在逗号之间查找，而不是仅在逗号之间查找(即以非贪婪的方式)。有谁知道这实际上是如何评估的？

如果字符串超长，正则表达式是否知道以非贪婪的方式计算逗号之间的值？谢谢。

Answer 1

你的模式真的很奇怪。

• (?:(?<=\,)|(?<=^)) - 这可以变成一个常规的非捕获组 (?:,|^)
• [^\w\d] - 自 \w已经匹配\d , \d是多余的
• [^\w\r\n\t]* - 匹配标点符号(!)，因此 , ， 也。这使得正则表达式引擎很难分析 hun 之前有许多逗号分隔值的字符串。 。
• (?=(?:,|$)) - 如果您打算匹配重叠的字符串，则前瞻有意义，否则，您可以将其替换为 (?:,|$) .

我建议:

r"(?i)(?:,|^)[^\w\r\n\t]*(HUN)[^\w\r\n\t]*(?=(?:,|$))"

参见regex demo

Python demo :

import re
s = ",WWWWWW,hun,hun,WWWWW,"
print re.sub(r"(?i)((?:,|^)[^\w\r\n\t]*)HUN([^\w\r\n\t]*)(?=(?:,|$))", r"\1\2", s)
# => ,WWWWWW,,,WWWWW,