python - 两个字符串之间最长匹配序列的正则表达式

Question

我在 Google 上搜索了我的用例，但没有找到任何有用的东西。

我不是正则表达式方面的专家，因此如果社区中的任何人可以提供帮助，我将不胜感激。

问题:

给定一个文本文件，我想使用正则表达式捕获两个子字符串(前缀和后缀)之间最长的字符串。请注意，这两个子字符串始终位于文本任何行的开头。请参阅下面的示例。

子字符串:

prefixes = ['Item 1', 'Item 1a', 'Item 1b']
suffixes = ['Item 2', 'Item 2a', 'Item 2b']

示例 1:

Item 1 ....
Item 2 ....
Item 1 ....
....
....
Item 2 ....
Item 1 ....
Item 2
Item 1a ....
....
....
....
....
Item 2b ....

预期结果:

Item 1a ....
....
....
....
....

为什么会出现这个结果？

因为 Item 1a 的前缀和 Item 2b 的后缀与所有其他前缀后缀对中它们之间的文本中最长的字符串匹配。

示例 2:

Item 1 ....
Item 2 ....
Item 1 ....
....
....
Item 2
.... Item 1 ....
Item 2
Item 1a .... ....
....
....
.... Item 2b
....

预期结果:

Item 1 ....
....
....

为什么会出现这个结果？

这是因为这是两个字符串(前缀和后缀对)之间最大的字符串，其中前缀和后缀都从行的开头开始。请注意，还有另一对 (Item 1a-Item 2b)，但由于 Item 2b 不在行的开头，因此我们不能考虑这个最长的序列。

我对正则表达式的尝试:

我已尝试对上面列表中的每个前缀后缀对使用以下正则表达式，但这不起作用。

regexs = [r'^' + re.escape(pre) + '(.*?)' + re.escape(suf) for pre in prefixes for suf in suffixes]
for regex in regexs:
    re.findall(regex, text, re.MULTLINE)

我尝试使用非正则表达式(Python 字符串函数):

def extract_longest_match(text, prefixes, suffixes):
    longest_match = ''
    for line in text.splitlines():
        if line.startswith(tuple(prefixes)):
            beg_index = text.index(line)
            for suf in suffixes:
                end_index = text.find(suf, beg_index+len(line))
                match = text[beg_index:end_index]
                if len(match) > len(longest_match ):
                    longest_match = match
    return longest_match 

我错过了什么吗？

Answer 1

你需要

• 构建一个正则表达式，用于匹配从最左边的起始分隔符到最左边的尾随分隔符的字符串(请参阅 Match text between two strings with regular expression )
• 确保分隔符匹配 at the line start positions only
• 确保 .使用 re.DOTALL 匹配换行符或同等选项(请参阅 Python regex, matching pattern over multiple lines )
• 确保正则表达式匹配重叠的子字符串(请参阅 Python regex find all overlapping matches )
• 查找文本中的所有匹配项(请参阅 How can I find all matches to a regular expression in Python?)
• 获取最长的一个(请参阅 Python's most efficient way to choose longest string in list? )。

Python demo :

import re
s="""Item 1 ....
Item 2 ....
Item 1 ....
....
....
Item 2 ....
Item 1 ....
Item 2
Item 1a ....
....
....
....
....
Item 2b ...."""
prefixes = ['Item 1', 'Item 1a', 'Item 1b']
suffixes = ['Item 2', 'Item 2a', 'Item 2b']
rx = r"(?=^((?:{}).*?^(?:{})))".format("|".join(prefixes), "|".join(suffixes))
# Or, a version with word boundaries:
# rx = r"(?=^((?:{})\b.*?^(?:{})\b))".format("|".join(prefixes), "|".join(suffixes))
all_matches = re.findall(rx, s, re.S | re.M)
print(max(all_matches, key=len))

输出:

Item 1a ....
....
....
....
....
Item 2

正则表达式看起来像

(?sm)(?=^((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b)))

有字边界

(?sm)(?=^((?:Item 1|Item 1a|Item 1b)\b.*?^(?:Item 2|Item 2a|Item 2b)\b))

请参阅regex demo .

详细信息

• (?sm) -re.S和re.M标志
• (?=^((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b))) - 正向前瞻，匹配任何位置，紧随其后的是一系列模式:
  • ^ - 一行的开头
  • ((?:Item 1|Item 1a|Item 1b).*?^(?:Item 2|Item 2a|Item 2b)) - 第 1 组(此值通过 re.findall 返回)
  • (?:Item 1|Item 1a|Item 1b) - 交替中的任何项目(可能在此处的 \b 之后添加 ) 字边界是有意义的)
  • .*? - 任意 0 个以上字符，尽可能少
  • ^ - 一行的开头
  • (?:Item 2|Item 2a|Item 2b) - 列表中的任何替代方案(可能在此处的 \b 之后添加 ) 单词边界也是有意义的)。