爲什麼這個正則表達式不排除在這個字符串的行尾有數字時的行

Question

我試圖掃描文檔並確定文檔的哪些部分開始和結束。有時，文檔有一個目錄列表，我不想捕獲TOC，因爲它沒有標識文檔的一部分，因此列出了頁碼。我有一段時間一直在搞這件事，並且陷入了一些困境。我似乎無法避免捕獲從表的內容與行號線

這裏是正則表達式

verbose_item_pattern_3 = re.compile(r""" 
^   # begin match at newline 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blank space 
    I   # a capital I 
    [tT][eE][mM] # one character from each of the three sets this allows for unknown case 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blankspace 
    \d{1,2}  # 1-or-2 digits 
    [.]?   # 0-or-1 literal . 
    \(?   # 0-or-1 literal open paren 
    [a-e]?  # 0-or-1 letter in the range a-e 
    \)?   # 0-or-1 closing paren 
    .*   # any number of unknown characters so we can have words and punctuation 
    [^0-9]  # anything but [0-9] 
    $   # 1 newline character 
    """, re.VERBOSE|re.MULTILINE) 

這裏是一個線的一個例子，我不想捕捉

test_string='\nItem 6.  TITLE ITEM 6..................................................25\n' 

這裏是什麼，我想捕捉

test_string='\nItem 6.  TITLE ITEM 6 maybe other words here who knows \n' 

一個例子，但我るñ

re.findall(verbose_item_pattern_3,test_string) 

結果是

['Item 6.  TITLE ITEM 6..................................................25\n'] 

現在的事情對我來說這是有趣的是，如果我的測試字符串是這個

test_string='PART I\nItem 1.  TITLE ITEM 1...................................................1\nItem 2.  TITLE ITEM 2..................................................21\n' 

，然後運行以 re.findall（ verbose_item_pattern_3，test_string）

結果更接近我想要的，但sti LL不正確

['Item 2.  TITLE ITEM 2..................................................21\n'] 

不應該有什麼捕獲

Answer 1

你的正則表達式，因爲三件事情相匹配。

1. 大部分是可選的，所以它是非常不具體
2. 有一個.*吃掉整條生產線，使您的最後一個條件[^0-9]不會來承擔，這是因爲：
3. 換行符字符本身滿足[^0-9]，因此[^0-9]可以成功匹配，即使該行以數字結尾。

最小變化將在年底使用負向後看：

verbose_item_pattern_3 = re.compile(r""" 
^   # start-of-line 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blank space 
    I   # a capital I 
    [tT][eE][mM] # one character from each of the three sets this allows for unknown case 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blankspace 
    \d{1,2}  # 1-or-2 digits 
    [.]?   # 0-or-1 literal . 
    \(?   # 0-or-1 literal open paren 
    [a-e]?  # 0-or-1 letter in the range a-e 
    \)?   # 0-or-1 closing paren 
    .*   # any number of unknown characters so we can have words and punctuation 
    $   # end-of-line 
    (?<![0-9]) # NOT preceded by a decimal digit (via look-behind) 
    """, re.VERBOSE|re.MULTILINE) 

注意，無論是^不是$實際匹配換行符。它們匹配之後的位置（^）或之後的位置（$）之前的一個換行符。換行符本身並不是匹配的一部分。

因爲這個原因，我已將他們的意見更改爲更精確的start-of-line和end-of-line。

另請注意，即使在$之後，我也可以應用負面後視。這樣做有助於防止回溯，使正則表達更快。

Answer 2

如果我理解正確，您會希望示例字符串不匹配，因爲行中的最後一個字符是數字，而您的正則表達式以[^0-9]$結尾。

這是不正確行爲的原因是$將匹配\n之前，但也在字符串的最後。結果發生在這裏的是.*匹配數字，然後[^0-9]匹配\n和$匹配在字符串的末尾。請看下面的例子，其採用的捕獲組來說明其工作原理：

>>> re.match(r'(.*)([^0-9])$', '...12\n').groups() 
('...12', '\n') 

爲了解決這個問題，可以防止[^0-9]從匹配換行符通過改變它[^0-9\n]：

verbose_item_pattern_3 = re.compile(r""" 
^   # begin match at newline 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blank space 
    I   # a capital I 
    [tT][eE][mM] # one character from each of the three sets this allows for unknown case 
    \t*   # 0-or-more tabspace 
    [ ]*   # 0-or-more blankspace 
    \d{1,2}  # 1-or-2 digits 
    [.]?   # 0-or-1 literal . 
    \(?   # 0-or-1 literal open paren 
    [a-e]?  # 0-or-1 letter in the range a-e 
    \)?   # 0-or-1 closing paren 
    .*   # any number of unknown characters so we can have words and punctuation 
    [^0-9\n]  # anything but [0-9] and line breaks 
    $   # 1 newline character 
    """, re.VERBOSE|re.MULTILINE) 

例子（使用以上正則表達式）：

>>> verbose_item_pattern_3.findall('\nItem 6.  TITLE ITEM 6.....25\n') 
[] 
>>> verbose_item_pattern_3.findall('\nItem 6.  TITLE ITEM 6.....\n') 
['Item 6.  TITLE ITEM 6.....']