python - 正则表达式在字符串开头未匹配

Question

我有 as 和 bs 的字符串。我想提取所有重叠的子序列，其中一个子序列是由任意数量的 b 包围的单个 a。这是我写的正则表达式:

import re

pattern = """(?=            # inside lookahead for overlapping results
             (?:a|^)        # match at beginning of str or after a
             (b* (?:a) b*)  # one a between any number of bs
             (?:a|$))       # at end of str or before next a
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

它似乎按预期工作，除非字符串中的第一个字符是 a，在这种情况下会遗漏此子序列:

a_between_bs.findall("bbabbba")
# ['bbabbb', 'bbba']
a_between_bs.findall("abbabb")
# ['bbabb']

我不明白发生了什么。如果我更改潜在匹配的开始顺序，结果也会发生变化:

pattern = """(?=
             (?:^|a)        # a and ^ swapped
             (b* (?:a) b*)
             (?:a|$))
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

a_between_bs.findall("abbabb")
# ['abb']

我原以为这是对称的，因此也可能会遗漏以 a 结尾的字符串，但事实并非如此。这是怎么回事？

编辑:

我假设上面玩具示例的解决方案会转化为我的全部问题，但事实似乎并非如此，所以我现在正在详细说明(对此感到抱歉)。我正在尝试从转录的单词中提取“音节”。 “音节”是元音或双元音，其前后有任意数量的辅音。这是我提取它们的正则表达式:

vowels = 'æɑəɛiɪɔuʊʌ'
diphtongues = "|".join(('aj', 'aw', 'ej', 'oj', 'ow'))
consonants = 'θwlmvhpɡŋszbkʃɹdnʒjtðf'

pattern = f"""(?=
          (?:[{vowels}]|^|{diphtongues})
          ([{consonants}]* (?:[{vowels}]|{diphtongues}) [{consonants}]*)
          (?:[{vowels}]|$|{diphtongues})
          )
          """
syllables = re.compile(pattern, re.VERBOSE)

棘手的一点是双元音以辅音(j 或 w)结尾，我不想将其包含在下一个音节中。所以用双重否定替换第一个非捕获组 (?<![{consonants}])不起作用。我试图用积极的前瞻性代替该组 (?<=[{vowels}]|^|{diphtongues}) , 但正则表达式不会接受不同的长度(即使删除双元音也不起作用，显然 ^ 的长度不同)。

所以这是上面模式的问题案例:

syllables.findall('æbə')
# ['bə'] 
# should be: ['æb', 'bə']

编辑 2:我已经切换到使用正则表达式，它允许可变宽度的后视，从而解决了这个问题。令我惊讶的是，它甚至似乎比标准库中的 re 模块更快。不过，我仍然想知道如何使它与 re 模块一起工作。 (:

Answer 1

我建议用双重否定来解决这个问题:

(?=         # inside lookahead for overlapping results
 (?<![^a])  # match at beginning of str or after a
 (b*ab*)    # one a between any number of bs
 (?![^a])   # at end of str or before next a
)

参见 regex demo

请注意，我用lookarounds 替换了grouping 结构:(?:a|^)与 (?<![^a])和 (?:a|$)与 (?![^a]) .后者并不重要，但前者在这里非常重要。

(?:a|^)在外部先行模式匹配的开头 a或字符串的开头，以先到者为准。如果a在开始时，它被匹配并且当输入是abbabb时, 你得到 bbabb因为它与捕获组模式相匹配，并且紧随其后的是字符串位置的结尾。下一次迭代在第一个 a 之后开始，并且找不到任何匹配项，因为唯一的 a留在字符串中没有a在 b 之后

请注意 order of alternative matters .如果更改为 (?:^|a) ，匹配从字符串的开头开始，b*匹配空字符串，ab*抢第一abb在 abbabb , 因为有 a紧接着，你会得到 abb作为比赛。在第一个 a 之后无法匹配任何内容.