Question

我正在尝试使用正则表达式从文本块中删除一些内容。我已准备好所有模式，但似乎无法删除重叠的两个（或更多）。

例如：

import re

r1 = r'I am'
r2 = r'am foo'

text = 'I am foo'

re.sub(r1, '', text)   # Returns ' foo'
re.sub(r2, '', text)   # Returns 'I '

如何同时替换两个匹配项并以空字符串结束？

我最终使用的是Ned Batchelder's answer的略微修改版本：

def clean(self, text):
  mask = bytearray(len(text))

  for pattern in patterns:
    for match in re.finditer(pattern, text):
      r = range(match.start(), match.end())

      mask[r] = 'x' * len(r)

  return ''.join(character for character, bit in zip(text, mask) if not bit)

Answer 1

如您所示，您无法使用连续的re.sub来电。您可以使用re.finditer查找所有内容。每个匹配项都会为您提供一个匹配对象，该对象具有.start和.end属性，用于指示其位置。您可以一起收集所有这些内容，然后在最后删除字符。

这里我使用bytearray作为可变字符串，用作掩码。它被初始化为零字节，并且我用'x'标记与任何正则表达式匹配的所有字节。然后我使用位掩码来选择要保留在原始字符串中的字符，并构建一个只包含不匹配字符的新字符串：

bits = bytearray(len(text))
for pat in patterns:
    for m in re.finditer(pat, text):
        bits[m.start():m.end()] = 'x' * (m.end()-m.start())
new_string = ''.join(c for c,bit in zip(text, bits) if not bit)

Answer 2

不要沮丧，但简短的回答是，我非常确定你不能。你能改变你的正则表达式，以便它不需要重叠吗？

如果您仍想这样做，我会尝试跟踪原始字符串上每个匹配的开始和停止索引。然后浏览字符串，只保留不在任何删除范围内的字符？

Answer 3

同样有效的解决方案来自...... Perl将正则表达式合二为一：

# aptitude install regexp-assemble
$ regexp-assemble 
I am
I am foo
Ctrl + D
I am(?: foo)?

regexp-assemble会获取你想要匹配的正则表达式或字符串的所有变体将它们合二为一。是的，它将初始问题更改为另一个问题，因为它不再是匹配重叠的正则表达式，而是将regexp与匹配组合

然后你可以在你的代码中使用它：

$ python
Python 2.7.3 (default, Aug  1 2012, 05:14:39) 
[GCC 4.6.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> re.sub("I am foo","I am(?: foo)?","")
''

在python中使用Regexp :: Assemble的端口会很好:)

Answer 4

这是一个使用选择器迭代器在文本上使用itertools.compress动态过滤字符串的替代方法。如果应该保留字符，则选择器返回True。 selector_for_patterns为每个模式创建一个选择器。选择器与all函数组合（只有当所有模式都想保留一个字符时，它应该在结果字符串中）。

import itertools
import re

def selector_for_pattern(text, pattern):
    i = 0
    for m in re.finditer(pattern, text):
        for _ in xrange(i, m.start()):
            yield True
        for _ in xrange(m.start(), m.end()):
            yield False
        i = m.end()
    for _ in xrange(i, len(text)):
        yield True

def clean(text, patterns):
    gen = [selector_for_pattern(text, pattern) for pattern in patterns]
    selector = itertools.imap(all, itertools.izip(* gen))
    return "".join(itertools.compress(text, selector))

结合多个正则表达式替换

4 个答案: