python - 如何防止正则表达式匹配单词的子字符串？

Question

我在 python 中有一个正则表达式，我想防止匹配子字符串。我想在开头添加'@'一些带有字母数字和_字符以及4到15个字符的单词。但它匹配较大单词的子串。我有这个方法:

def add_atsign(sents):
  for i, sent in enumerate(sents):
      sents[i] = re.sub(r'([a-zA-Z0-9_]{4,15})', r'@\1', str(sent))
  return sents

例子是:

mylist = list()
mylist.append("ali_s ali_t ali_u aabs:/t.co/kMMALke2l9")
add_atsign(mylist)

答案是:

['@ali_s @ali_t @ali_u @aabs:/t.co/@kMMALke2l9']

如您所见，它将“@”放在“aabs”和“kMMALke2l9”的开头。这是错误的。我尝试按以下方式编辑代码:

def add_atsign(sents):
  for i, sent in enumerate(sents):
      sents[i] = re.sub(r'((^|\s)[a-zA-Z0-9_]{4,15}(\s|$))', r'@\1', str(sent))
  return sents

但是结果会变成这样:

['@ali_s ali_t@ ali_u aabs:/t.co/kMMALke2l9']

如您所见，它有错误的替换。我期望的正确结果是:

"@ali_s @ali_t @ali_u aabs:/t.co/kMMALke2l9"

有人能帮忙吗？谢谢

Answer 1

这是一个非常有趣的问题。如果我没理解错的话，问题是你想用空格分隔字符串，然后只在整个单词匹配时才进行替换，而不是捕获子字符串。

我认为最好的方法是先按空格分隔，然后向您的正则表达式添加仅捕获整个字符串的断言:

def add_atsign(sents):
    new_list = []
    for string in sents:
        new_list.append(' '.join(re.sub(r'^([a-zA-Z0-9_]{4,15})$', r'@\1', w) 
                        for w in string.split()))
    return new_list

mylist = ["ali_s ali_t ali_u aabs:/t.co/kMMALke2l9"]
add_atsign(mylist)
>
['@ali_s @ali_t @ali_u aabs:/t.co/kMMALke2l9']

即，我们拆分，然后仅当整个单词匹配时才替换，然后重新加入。

顺便说一下，您的正则表达式可以简化为 r'^(\w{4,15})$':

def add_atsign(sents):
    new_list = []
    for string in sents:
        new_list.append(' '.join(re.sub(r'^(\w{4,15})$', r'@\1', w) 
                        for w in string.split()))
    return new_list