python - 如何编写正则表达式来匹配重复模式的一小部分？

Question

我有以下模式要匹配:

(10,'more random stuff 21325','random stuff','2014-10-26 04:50:23','','uca-default-u-kn','page')

对于某些上下文，它是一个较大文件的一部分，其中包含许多用逗号分隔的相似模式:

(10,'more random stuff 21325','random stuff','2014-10-26 04:50:23','','uca-default-u-kn','page'),
(11,'more random stuff 1nyny5','random stuff','2014-10-26 04:50:23','','uca-default-u-kn','subcat'),
(14,'more random stuff 21dd5','random stuff','2014-10-26 04:50:23','','uca-default-u-kn','page')

我的目标是放弃所有以“page”结尾的模式并保留其余的。为此，我正在尝试使用 正则表达式来识别这些模式。这是我现在推出的:

"\(.*?,\'page\'\)"

但是，它没有按预期工作。 在下面的 python 代码中，我使用这个正则表达式，并将每个匹配项替换为空字符串:

import re

txt = "(10,'Redirects_from_moves','*..2NN:,@2.FBHRP:D6ܽ�','2014-10-26 04:50:23','','uca-default-u-kn','page'),"
txt += "(11,'Redirects_with_old_history','*..2NN:,@2.FBHRP:D6ܽ�','2010-08-26 22:38:36','','uca-default-u-kn','page'),"
txt += "(12,'Unprintworthy_redirects','*..2NN:,@2.FBHRP:D6ܽ�','2010-08-26 22:38:36','','uca-default-u-kn','subcat'),"
txt += "(13,'Anarchism','random_stuff','2020-01-23 13:27:44',' ','uca-default-u-kn','page'),"
txt += "(14,'Anti-capitalism','random_stuff','2020-01-23 13:27:44','','uca-default-u-kn','subcat'),"
txt += "(15,'Anti-fascism','*D*L.8:NB\r�','2020-01-23 13:27:44','','uca-default-u-kn','subcat'),"
txt += "(16,'Articles_containing_French-language_text','*D*L.8:NB\r�','2020-01-23 13:27:44','','uca-default-u-kn','page'),"
txt += "(17,'Articles_containing_French-language_text','*D*L.8:NB\r�','2020-01-23 13:27:44','','uca-default-u-kn','page')"

new_txt = re.sub("\(.*?,\'page\'\)", "",txt)

我期望 new_text 将包含所有以“subcat”结尾的模式，并删除所有 以“page”结尾的模式，但是，我得到:

new_txt = ,,,,

这里发生了什么？如何更改我的正则表达式以获得所需的结果？

Answer 1

我们可能会想在这里进行正则表达式替换，但这基本上总是会留下开放的边缘情况，正如 @Wiktor 在下面的评论中正确指出的那样。相反，更简单的方法是使用 re.findall 并简单地提取每个不以 'page' 结尾的元组。这是一个例子:

parts = re.findall(r"\(\d+,'[^']*?'(?:,'[^']*?'){4},'(?!page')[^']*?'\),?", txt)
print(''.join(parts))

打印:

(12,'Unprintworthy_redirects','*..2NN:,@2.FBHRP:D6ܽ�','2010-08-26 22:38:36','','uca-default-u-kn','subcat'),(14,'Anti-capitalism','random_stuff','2020-01-23 13:27:44','','uca-default-u-kn','subcat'),(15,'Anti-fascism','DL.8:NB�','2020-01-23 13:27:44','','uca-default-u-kn','subcat'),

上面使用的正则表达式模式只匹配一个前导数字，后跟 5 个单引号术语，然后是第六个单引号术语，它不是 'page'。然后，我们将列表输出中的元组连接起来形成一个字符串。