如何避免被前瞻分隔的两个正则表达式匹配结果拆分？

问题描述 #

我编写了一段正则表达式，意图匹配文本开头的可选内容，跳过中间部分后再匹配末尾的可选内容：

([A-Z]{1,3}[a-z]{1,3}\.\-?\s?)*(\s?\([A-Z]{2}\)\s)?([A-Z]{2}\s)?)?(?![A-Z][a-z]\s]+)([A-Z]{3}\s?)*

简化结构为：

somestuff?(?![A-Z][a-z]\s]+)someotherstuff?

单独匹配某一部分或都不匹配时均正常，但在Python中同时匹配前后两部分时，会得到两个独立的匹配结果，而非合并后的单一结果。例如测试代码：

import re

regex = r"(([A-Z]{1,3}[a-z]{1,3}\.\-?\s?)*(\s?\([A-Z]{2}\)\s)?([A-Z]{2}\s)?)?(?![A-Z][a-z]\s]+)([A-Z]{3}\s?)*"

test_str = "Test.-Ing. (XX) Foo Bar YYY DDD\n"
matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1): 
    print ("Match {matchNum}: {match}".format(matchNum = matchNum, match = match.group().strip()))

运行结果：

Match 1: Test.-Ing.
Match 2: YYY DDD

期望结果：

Match 1: Test.-Ing. YYY DDD

尝试将整个表达式用括号包裹无效，需解决如何将两部分合并为同一个匹配结果的问题。

补充示例输入与期望输出：
输入：

Test.-Ing. (XX) Foo Bar YYY DDD
Test.Ing. Foo Bar
Foo Bar DDD
Foo Bar DDD YYY
Dr. Foo Bar
Test.-Ing. Foo Bar
Test. Foo Bar
XX Foo Bar
Foo F. Bar

期望输出（排除中间的Foo/Bar）：

Test.-Ing. (XX) YYY DDD
Test.Ing.
DDD
DDD YYY
Dr.
Test.-Ing.
Test.
XX
无输出

问题根源 #

原正则中的(?![A-Z][a-z]\s]+)是负前瞻断言，仅做条件检查不占用字符。匹配完开头部分后，引擎会在当前位置继续寻找末尾部分的匹配，导致生成两个独立的结果；同时正则未将中间需要跳过的内容（如Foo/Bar这类单词）纳入匹配范围，进一步拆分了匹配片段。

解决方案 #

将整行内容纳入匹配范围，用非捕获组匹配中间需要跳过的单词，同时用捕获组保留开头和末尾的目标内容，最后在代码中合并有效捕获结果。

修正后的正则与代码 #

import re

def process_line(line):
    # 匹配包含中间跳过内容的场景
    regex_with_middle = r"^((?:[A-Z]{1,3}[a-z]{1,3}(?:\.-)?\s*)*(?:\s?\([A-Z]{2}\)\s)?(?:[A-Z]{2}\s)?)(?:\b[A-Z][a-z]+\b\s*)+((?:[A-Z]{3}\s*)*)$"
    match = re.match(regex_with_middle, line.strip())
    if match:
        part1 = match.group(1).strip()
        part2 = match.group(2).strip()
        return " ".join(filter(None, [part1, part2])) or "无输出"
    
    # 匹配无中间跳过内容的场景（仅开头或仅末尾）
    regex_no_middle = r"^((?:[A-Z]{1,3}[a-z]{1,3}(?:\.-)?\s*)*(?:\s?\([A-Z]{2}\)\s)?(?:[A-Z]{2}\s)?|(?:[A-Z]{3}\s*)*)$"
    match = re.fullmatch(regex_no_middle, line.strip())
    if match:
        result = match.group(1).strip()
        return result if result else "无输出"
    
    # 不符合任何匹配规则
    return "无输出"

# 测试示例输入
test_lines = [
    "Test.-Ing. (XX) Foo Bar YYY DDD",
    "Test.Ing. Foo Bar",
    "Foo Bar DDD",
    "Foo Bar DDD YYY",
    "Dr. Foo Bar",
    "Test.-Ing. Foo Bar",
    "Test. Foo Bar",
    "XX Foo Bar",
    "Foo F. Bar"
]

for line in test_lines:
    print(process_line(line))

运行结果 #

Test.-Ing. (XX) YYY DDD
Test.Ing.
DDD
DDD YYY
Dr.
Test.-Ing.
Test.
XX
无输出

内容的提问来源于stack exchange，提问作者topkek