为什么re.findall('(ab)+'，'abab')返回['ab']=同时re.findall('(ab)+?'，'abab')返回['ab'，'ab']？

Question

我的python版本是2.7.6

我知道+?是+的非贪婪版本。

因此re.findall('(ab)+?', 'abab')将尽可能少地匹配ab。

因此，结果['ab', 'ab']是有意义的。

但当谈到贪婪的版本match re.findall('(ab)+', 'abab')时，它让我感到困惑。

我认为贪婪的版本应该尽可能多地匹配ab。

因此，我将得到['abab']作为结果。

但我换成了['ab']！

在re.findall()的帮助信息中，它说：

Return a list of all non-overlapping matches in the string.
If one or more groups are present in the pattern, return a
list of groups; this will be a list of tuples if the pattern
has more than one group.

Empty matches are included in the result.

这里我得到了两个组，整个RE的默认group0，以及我指定的group1 (ab)。

所以我做了以下调查：

In [21]: ng = re.search('(ab)+?', 'abab')

In [22]: g = re.search('(ab)+', 'abab')

In [23]: ng.group(0)
Out[23]: 'ab'

In [24]: ng.group(1)
Out[24]: 'ab'

In [25]: g.group(0)
Out[25]: 'abab'

In [26]: g.group(1)
Out[26]: 'ab'

很明显，re模块将匹配'abab'作为group0，'ab'作为group1进行贪婪搜索。

但是为什么我在做findall()操作的时候会用['ab']而不是['abab', 'ab']呢？

因为'abab'包含ab，所以它们是重叠的，而findall()在这种情况下只返回最后一个匹配？

对于这个问题，我做了以下测试：

In [30]: g = re.findall('[A-z](ab)+', 'ababdab')

In [31]: g
Out[31]: ['ab', 'ab']

In [32]: dg = re.search('[A-z](ab)+', 'ababdab')

In [33]: dg.groups()
Out[33]: ('ab',)

In [34]: dg.group()
Out[34]: 'bab'

现在我完全失去理智了。

findall在这里是如何工作的？

为什么？

Answer 1

这里有一个微妙的地方-在Jerry的回答中提到了，但没有清楚地说明。

您希望re.findall('(ab)+', 'abab')告诉您整个正则表达式匹配的隐式"group 0“和圆括号的"group 1”。并非如此。如果有捕获括号，则findall的列表只包含捕获括号的组。请注意：

>>> re.findall('(?:ab)+', 'abab') # no capture, reports group 0
['abab']
>>> re.findall('(ab)+', 'abab')   # one capture, reports _only_ group 1
['ab']
>>> re.findall('((ab)+)', 'abab') # two captures, reports both groups 1 and 2
[('abab', 'ab')]                  # (but still not group 0)

文档可以更清楚地说明这一点。它假设您理解"group 0“并不真正算作一个组。但这就是几十年来RE库的工作方式。

Answer 2

findall就像它应该工作的那样工作：

1. 如果没有捕获组，它会将字符串中的所有匹配项放到结果列表中。
2. 如果有一个捕获组，它将只返回捕获组的列表。
3. 如果有多个捕获组，将返回一个元组列表，其中一个元组包含一个匹配的捕获组。

接下来，只要有重复的组，MatchObject就会返回最后捕获的组。它在docs中提到过

如果一个组匹配多次，则仅最后一个匹配为accessible:

m = re.match(r"(..)+"，"a1b2c3") #匹配3次。>>> m.group(1) #仅返回最后一个匹配项。'c3'

因此，这两个现象的组合给出了你正在体验的结果。

Answer 3

看一看：

In [13]: re.findall('(ab)', 'ababab')
Out[13]: ['ab', 'ab', 'ab']

In [14]: re.findall('(ab)+?', 'ababab')
Out[14]: ['ab', 'ab', 'ab']

In [15]: re.findall('(ab)+', 'ababab')
Out[15]: ['ab']

In[13]等同于In[14]。这两种模式都将匹配每个ab组。但是，In[15]将匹配所有ab连续重复，而不管它们的数量。

[A-z](ab)+模式意味着您希望所有以字母[A-z]开头的ab连续重复。在ababdab中匹配它的第一个组是bab：它以A-z中的b开头，然后有一个以d结尾的ab组，它开始了下一个匹配组。

In [20]: re.findall('[A-z](ab)+', 'XababXabXab')
Out[20]: ['ab', 'ab', 'ab']