只匹配\d\d_\d\d\d的Regex

Question

你能帮我定义一个正则表达式吗？

• 匹配单词r'(\d+_\d\d\d(?:_back)?)'
• "word“的意思是，除了正确的标点符号或字符串/行的开始/结尾之外，它不应该放在前面或后面。
• 在多行字符串中工作，在字符串中的任何位置工作，在仅由此模式组成的字符串中工作，而不使用任何其他字符串。
• 在%96_175"和44_5555中不匹配(因为%和第4个"5“都不是标点符号)。

例如: Pass (12_345、012_345或012_345_back是找到的组)：

['12_345',
 'bla-bla 012_345',
 'bla-bla 12_345 bla-bla',
 '34\n012_345',
 '012_345\n34',
 'text—012_345—text',
 'text--12_345, text',
 'text. 012_345_back.']

失败(这里没有匹配)：

[
 'text12_345',
 '12_345text',
 '12_3456',
 '%12_345',
 '!12_345',
 '.12-345',
 '12_345_front'
]

我试图区分的是表单\d+_\d\d\d(?:_back)的正确标识符，它是由用户在我的网站中的注释中插入的，与同一字符串是另一个字符串的一部分。简单的regex一直有效，直到有人插入一个指向维基百科文章的链接，文章的结尾是“%E2%84%96_175 _175”，该链接由URL编码到96_175，与我的模式相匹配。

我被困在试图匹配“适当的标点符号”或字符串或行的开头或结尾。到那时，正则表达式已经非常复杂了(我列出了我能想到的所有合理的unicode标点符号)，以至于我觉得自己做错了什么。我也有困难排除额外的数字，但包括可能的结束行或字符串。

Answer 1

取决于您需要如何处理(或不处理)非字母非正确标点符号，您可以依赖Python re单词检测\b (如其中一个答案所建议的)或枚举非匹配组中的“适当”标点符号。

使用旧正则表达式(Python2.5)，可以使用标点符号通配符\p

(?:\p*|^|\s)(\d+_\d\d\d)(_back)?(?:\n|\p|$|\s)

使用现代re (Python2.6及更高版本)，只需将\p替换为string.punctuation，类似于https://stackoverflow.com/a/37708340/5874981

对于初学者，假设足够的“适当”只是句号，逗号和连字符尝试

(?:^|\s|\.|,|-)(\d+_\d\d\d)(_back)?(?:$|\s|\.|,|-)

Answer 2

我不知道我是否误解了这个问题，但如果你唯一的问题是匹配一个完整的单词，忽略任何你想要的字符，我建议你试试正则词边界。

所以您的正则表达式将是\b\d+_\d\d\d(?:_back)?\b

试一试，告诉我这是否是你所需要的。