如何从含捕获组的正则表达式中提取未捕获的原始文本？

我们可以利用Python内置的sre_parse模块解析正则表达式结构，准确区分捕获组与其他正则元素，从而高效提取所有未被捕获的文本片段。以下是实现代码：

import sre_parse

def extract(pattern):
    fragments = []
    current_fragment = []

    def elem_to_string(element):
        """将sre_parse解析出的元素转换为对应的正则字符串"""
        elem_type, value = element
        if elem_type == 'literal':
            return chr(value)
        elif elem_type == 'any':
            return '.'
        elif elem_type == 'range':
            start, end = value
            return f"[{chr(start)}-{chr(end)}]"
        elif elem_type == 'at':
            return '^' if value == 'bos' else '$'
        elif elem_type in ('max_repeat', 'min_repeat'):
            min_count, max_count, sub_elem = value
            sub_str = elem_to_string(sub_elem)
            if min_count == 0 and max_count == 1:
                return f"{sub_str}?"
            elif min_count == 0 and max_count == sre_parse.MAXREPEAT:
                return f"{sub_str}*"
            elif min_count == 1 and max_count == sre_parse.MAXREPEAT:
                return f"{sub_str}+"
            else:
                return f"{sub_str}{{{min_count},{max_count}}}"
        elif elem_type == 'subpattern':
            # 处理非捕获组
            sub_content = ''.join(elem_to_string(e) for e in value[1])
            return f"(?:{sub_content})"
        # 其他未覆盖的正则元素可根据需求扩展
        return ''

    # 遍历解析后的正则元素
    for elem in sre_parse.parse(pattern):
        if elem[0] == 'group':
            # 遇到捕获组，将当前累积的片段存入结果
            fragments.append(''.join(current_fragment))
            current_fragment = []
            continue
        # 非捕获组元素，转换为字符串后累积
        current_fragment.append(elem_to_string(elem))
    
    # 添加最后一段（捕获组之后的内容，可能为空）
    fragments.append(''.join(current_fragment))
    return fragments

测试验证 #

分别验证三个示例场景：

1. 多捕获组场景

pattern = r"Date: (\d{4})-(\d{2})-(\d{2})"
assert extract(pattern) == ["Date: ", "-", "-", ""]

2. 单捕获组场景

pattern = r"hello (world)"
assert extract(pattern) == ["hello ", ""]

3. 含转义字符场景

pattern = r"\(born in (.*)\)"
assert extract(pattern) == ["(born in ", ")"]

实现说明 #

• 借助sre_parse模块直接解析正则表达式的语法结构，无需手动遍历字符串，高效且能正确处理转义字符。
• 通过elem_to_string函数将解析后的元素转换为对应的正则字符串，覆盖了常见的正则语法（字面量、通配符、字符范围、重复限定符、非捕获组等）。
• 遇到捕获组时，立即将当前累积的非捕获片段存入结果，跳过捕获组内部内容，确保只提取未被捕获的部分。

内容的提问来源于stack exchange，提问作者Peter