Python关于正则贪婪与非贪婪特性的详解

之前已经简单介绍了Python正则表达式的基础与捕获，那么在这一篇文章里，我将总结一下正则表达式的贪婪/非贪婪特性。

贪婪

默认情况下，正则表达式将进行贪婪匹配。所谓“贪婪”，其实就是在多种长度的匹配字符串中，选择较长的那一个。例如，如下正则表达式本意是选出人物所说的话，但是却由于“贪婪”特性，出现了匹配不当：

>>> sentence = """You said "why?" and I say "I don&＃39;t know"."""
>>> re.findall(r&＃39;"(.*)"&＃39;, sentence)
[&＃39;why?" and I say "I don\&＃39;t know&＃39;]

再比如，如下的几个例子都说明了正则表达式“贪婪”的特性：

>>> re.findall(&＃39;hi*&＃39;, &＃39;hiiiii&＃39;)
[&＃39;hiiiii&＃39;]
>>> re.findall(&＃39;hi{2,}&＃39;, &＃39;hiiiii&＃39;)
[&＃39;hiiiii&＃39;]
>>> re.findall(&＃39;hi{1,3}&＃39;, &＃39;hiiiii&＃39;)
[&＃39;hiii&＃39;]

非贪婪

当我们期望正则表达式“非贪婪”地进行匹配时，需要通过语法明确说明：

{2,5}? 捕获2-5次，但是优先次数少的匹配

在这里，问号?可能会有些让人犯晕，因为之前他已经有了自己的含义：前面的匹配出现0次或1次。其实，只要记住，当问号出现在表现不定次数的正则表达式部分之后时，就表示非贪婪匹配。

还是上面的那几个例子，用非贪婪匹配，则结果如下：

>>> re.findall(&＃39;hi*?&＃39;, &＃39;hiiiii&＃39;)
[&＃39;h&＃39;]
>>> re.findall(&＃39;hi{2,}?&＃39;, &＃39;hiiiii&＃39;)
[&＃39;hii&＃39;]
>>> re.findall(&＃39;hi{1,3}?&＃39;, &＃39;hiiiii&＃39;)
[&＃39;hi&＃39;]

另外一个例子中，使用非贪婪匹配，结果如下：

>>> sentence = """You said "why?" and I say "I don&＃39;t know"."""
>>> re.findall(r&＃39;"(.*?)"&＃39;, sentence)
[&＃39;why?&＃39;, "I don&＃39;t know"]

捕获与非贪婪

严格来说，这一部分并不是非贪婪特性。但是由于其行为与非贪婪类似，所以为了方便记忆，就将其放在一起了。

(?=abc) 捕获，但不消耗字符，且匹配abc

(?!abc) 捕获，不消耗，且不匹配abc

在正则表达式匹配的过程中，其实存在“消耗字符”的过程，也就是说，一旦一个字符在匹配过程中被检索（消耗）过，后面的匹配就不会再检索这一字符了。

知道这个特性有什么用呢？还是用例子说明。比如，我们想找出字符串中出现过1次以上的单词：

>>> sentence = "Oh what a day, what a lovely day!"
>>> re.findall(r&＃39;\b(\w+)\b.*\b\1\b&＃39;, sentence)
[&＃39;what&＃39;]

这样的正则表达式显然无法完成任务。为什么呢？原因就是，在第一个(\w+)匹配到what，并且其后的\1也匹配到第二个what的时候，“Oh what a day, what”这一段子串都已经被正则表达式消耗了，所以之后的匹配，将直接从第二个what之后开始。自然地，这里只能找出一个出现了两次的单词。

那么解决方案，就和上面提到的(?=abc)语法相关了。这样的语法可以在分组匹配的同时，不消耗字符串！所以，正确的书写方式应该是：

>>> re.findall(r&＃39;\b(\w+)\b(?=.*\b\1\b)&＃39;, sentence)
[&＃39;what&＃39;, &＃39;a&＃39;, &＃39;day&＃39;]

如果我们需要匹配一个至少包含两个不同字母的单词，则可以使用(?!abc)的语法：

>>> re.search(r&＃39;([a-z]).*(?!\1)[a-z]&＃39;, &＃39;aa&＃39;, re.IGNORECASE)
>>> re.search(r&＃39;([a-z]).*(?!\1)[a-z]&＃39;, &＃39;ab&＃39;, re.IGNORECASE)
<_sre.SRE_Match object; span=(0, 2), match=&＃39;ab&＃39;>