python - 具有不同量词的正则表达式捕获组

Question

我正在解析的文本在捕获组之前和之后以及捕获组内都包含星号。我已经确定解析捕获组的模式基本上是：文本之前的连续星号将始终至少为 30。同样，最后一个单词之后的连续星号将至少为 15 个字符长。捕获组中的连续星号总是小于 10。我遇到的问题是我不确定如何为捕获组中的星号与组中的其他字符提供不同的量词，但将其包含在相同的匹配集。例如：

text = 'ÿÿÿÿ*************************************************CURRICULUM VITAE***Información *personal*********************ìÌ**Ì*Ì*Ì*'

所以基本上，我只需要捕获文本部分。星号可以存在于实际文本之前和之后（我可以稍后删除），但乱码不能。所以任一输出工作：

#Output #1 
CURRICULUM VITAE***Información *personal
#output #2
**********CURRICULUM VITAE***Información *personal**********

下面是我尝试过的代码，它无法区分捕获组和随后的乱码。不过，它确实正确识别了文本之前的星号。

p=re.compile(r'(?<=[*]{30})([\x29{,10}|\u00c0-\u00d6|\u00d8-\u00f6|\u00f8-\u02af|\u1d00-\u1d25|\u1d62-\u1d65|\u1d6b-\u1d77|\u1d79-\u1d9a|\u1e00-\u1eff|\u2090-\u2094|\u2184-\u2184|\u2488-\u2490|\u271d-\u271d|\u2c60-\u2c7c|\u2c7e-\u2c7f|\ua722-\ua76f|\ua771-\ua787|\ua78b-\ua78c|\ua7fb-\ua7ff|\ufb00-\ufb06|\x20-\x2A|\x2B-\x7E]+)(?=[*]{,15})', re.MULTILINE)

print(re.findall(p, text)[0])

#output
*******************CURRICULUM VITAE***Información *personal*********************ìÌ**Ì*Ì*Ì*

可以看到，它成功地切断了实际捕获组之前的乱码，但没有切断捕获组之后的乱码。我猜上面的正则表达式没有正确编写，因此 \x29{,10} 与其余字符一起执行，这些字符可能有 + 出现。

注意，\x29 是 * 的 unicode。更改 unicode 字符作为解析捕获组的一种方式不是一种选择，我需要能够保持重音，这也可能存在于乱码部分。

编辑 PER MAX XAPI 的评论

乱码之后可能存在 15 个以上的连续星号，因此使用您的代码，它似乎在最后 15 个以上的连续星号处被剪切，但保留了先验。所以我需要的是，比赛要么在前 15 个连续星号处切割（即，在捕获组之后没有星号），要么只在捕获组之后包括前 15 个星号。例如：

p=re.compile(r'(?<=[*]{30})([^*][\x2A{,10}|\u00c0-\u00d6|\u00d8-\u00f6|\u00f8-\u02af|\u1d00-\u1d25|\u1d62-\u1d65|\u1d6b-\u1d77|\u1d79-\u1d9a|\u1e00-\u1eff|\u2090-\u2094|\u2184-\u2184|\u2488-\u2490|\u271d-\u271d|\u2c60-\u2c7c|\u2c7e-\u2c7f|\ua722-\ua76f|\ua771-\ua787|\ua78b-\ua78c|\ua7fb-\ua7ff|\ufb00-\ufb06|\x20-\x2A|\x2B-\x7E]+[^*])(?=[*]{15,})',re.MULTILINE)

text=t='ÿÿÿÿ*************************************************CURRICULUM VITAE***Información *personal**********************ìÌ**Ì*Ì*Ì*************************************(ìÌ**Ì*Ì*Ì***************'

#output
print(re.findall(p, text))
['CURRICULUM VITAE***Información *personal**********************ìÌ**Ì*Ì*Ì']

#desired output
['CURRICULUM VITAE***Información *personal']
The following is also acceptable
['CURRICULUM VITAE***Información *personal***************']

标签： pythonregexregex-groupquantifiers

Answer 1

考虑到捕获组必须以 a 以外的其他内容开头*并且必须以相同的方式结束，您可以使用一个技巧。因此，只需添加另一个包含两个的容器组[^*]：

(?<=[*]{30})([^*][\x29{,10}|\u00c0-\u00d6|\u00d8-\u00f6|\u00f8-\u02af|\u1d00-\u1d25|\u1d62-\u1d65|\u1d6b-\u1d77|\u1d79-\u1d9a|\u1e00-\u1eff|\u2090-\u2094|\u2184-\u2184|\u2488-\u2490|\u271d-\u271d|\u2c60-\u2c7c|\u2c7e-\u2c7f|\ua722-\ua76f|\ua771-\ua787|\ua78b-\ua78c|\ua7fb-\ua7ff|\ufb00-\ufb06|\x20-\x2A|\x2B-\x7E]+[^*])(?=[*]{15,})

我添加/更改了：

• *在捕获组的末尾和开头添加了两次“非”：([^*] ... [^*])
• 在最后改变了{,15}a {15,}（所以“至少 15 次出现”而不是“最多 15 次出现”）

https://regex101.com/r/m6lqP3/3