非贪婪的通配符似乎与贪婪匹配？

Question

我需要理解为什么不指定正则表达式时会贪婪地匹配。

给出string='.GATA..GATA..ETS..ETS.'

返回GATA ... ETS的最短子串

我使用正则表达式模式pattern = r'(GATA).*?(ETS)'

syntax_finder=re.compile(pattern,re.IGNORECASE)

for match in syntax_finder.finditer(string):
    print(match)

返回<re.Match object; span=(1, 17), match='GATA..GATA..ETS'>

但是，我希望它返回'GATA..ETS'

有人知道为什么会这样吗？

我不是在寻找针对此完全匹配问题的解决方案。我将使用更复杂的GATA和ETS模式进行很多此类搜索，但我将始终希望它返回最短的匹配项。

谢谢！

Answer 1

有人知道为什么会这样吗？

正则表达式非贪婪匹配。它找到第一个GATA，然后，因为使用了.*?而不是.*，所以匹配直到之后的first ETS。只是碰巧还有另一个GATA，您不想要-但是哪个非贪婪匹配并不在乎。

我将使用更复杂的GATA和ETS模式进行很多此类搜索

然后正则表达式可能无法胜任这项工作。我的建议是使用它们将字符串分成GATA，ETS和中间部分（tokenization），然后使用其他技术来查找该序列中的模式（parsing）。

我不是在寻找此精确匹配问题的解决方案。

但是我无法抗拒：）

>>> re.search(r'(GATA)((?<!GAT)A|[^A])*?(ETS)', '.GATA..GATA..ETS..ETS.')
<_sre.SRE_Match object; span=(7, 16), match='GATA..ETS'>

[这里我们使用否定的后向断言：在扫描GATA和ETS之间的部分时，仅当A之前没有GAT时，才允许它。

Answer 2

从documentation，我们可以阅读：

re.finditer(pattern, string, flags=0)

返回一个迭代器，在字符串的RE模式的所有不重叠匹配中产生MatchObject实例。从左到右扫描字符串，并以找到的顺序返回匹配项。

因此，我猜测它直接来自以下事实：该函数返回所有非重叠匹配项]，并且扫描字符串从左至右。

换句话说，从左到右搜索字符串，任何下一次匹配尝试都将在前一次匹配之后开始。在这种特定情况下，将仅在“ GATA..GATA..ETS”之后的字符串中搜索匹配项。

现在，对于这个特定的示例，我想一种解决方案是以这种特定的方式（具有积极的超前断言）使用findall函数：

pattern = "(?=(GATA.*?ETS))"
syntax_finder=re.compile(pattern, re.IGNORECASE)
print(min(syntax_finder.findall(string), key=len))