re.findall()

我可能还没有透彻理解 python 对正则表达式的实现，其中的“match”的边界条件是什么。所以这几天（2021.06.11）的实践中，遇到一些困惑。

TL; DR
当显性定义一个捕获组时，python 似乎默认将其余内容自动视为非捕获组处理，从而如果想要整体捕获的话，需要调整 pattern 的写法：1）显性表达捕获组、2）小括号不能再用于表示“分组”，必须改写为非捕获组。

问题发现

对于字符串(123.45678, 987,65432) 5，想要将其中的数字（含小数点）都提取出来。

• 括号中是经纬度坐标，对于南半球、西半球，会是负数。
• 最后一个数字是距离，都是非负数。

我写的 pattern 是r'[+-]?\d+(\.\d+)?'，在 python 中使用 raw string 避免\的转义。

import re
text = '(123.45678, 987.65432) 5'
pattern = r'[+-]?\d+(\.\d+)?'
matches = re.findall(pattern, text)
print(len(matches))
for match in matches:
    print('[%s]' % match)

期待结果：

3
[123.45678]
[987.65422]
[5]

实际结果：

3
[.45678]
[.65432]
[]

What did I do wrong?

在 Sublime Text 以及 https://c.runoob.com/front-end/854 测试中都可以正常检索。

Thus, why?

查询资料

参考 Stack Overflow 对另一个问题的描述：Issues with Python re.findall when matching variables

Question:

Best Answer:

根据这项解释，无法取到完整的小数点前的数字，是因为在 pattern r'[+-]?\d+(\.\d+)?'中，只有红色部分被作为捕获组（Capturing Group），其余表达式被匹配但没有被捕获。

所以将 pattern 改为r'[+-]?\d+(?:\.\d+)'之后，可以正确匹配两个经纬度坐标123.45678、987.65432，但很显然5被抛弃了。

我当然用别的办法绕开了这个问题，但还想深入研究一下。

一些研究

做了一些实验。

text = (123.45678, 987.65432) 5

特别注意对比 A、B、C、D 四种情况。

总结规律可以发现，match 是对于整个字符串而言，完整的 pattern，所有不相互重叠的匹配结果。其中每一个匹配上的捕获组，都作为一个 group 被捕获（capture）和返回，尤其是 group 可以是符合匹配关系的空字符串。所以当存在多个捕获结果时，一个 match 的内容会以元组（tuple）的方式返回多个值。

从结果上来看值得注意的是，当显性定义一个捕获组时，python 似乎默认将其余内容自动视为非捕获组处理。从而引发了本文开头中令人困惑的情况。习惯使用 C# 和 Sublime Text 的我，一时间没注意到。

所以，本文开头想要的效果，可以通过这个 pattern 来实现r'([+-]?\d+(?:\.\d+)?)'，在这个规则中，令可出现可不出现的部分为非捕获组，显性地令整体作为捕获组，从而实现整个 match 作为一个 group 返回，其中“小数点及其后的数字”可有可无。

输出结果：

3
[123.45678]
[987.65432]
[5]

补充说明

补充一些官方文档（3.9.5）对主要用法的说明：https://docs.python.org/3/library/re.html

re.match() 匹配方法

(…) 捕获组

(?:…) 非捕获组

To sum up, humm, interesting yet disturbing.