Python正则表达式交替运算符未按预期工作问题排查

核心问题原因 #

问题出在正则的非重叠匹配特性和交替匹配的执行逻辑上：

• 非重叠匹配：re.findall找到一个匹配后，会跳过该匹配覆盖的所有字符，从匹配结束的下一个位置继续扫描，不会回头复用已消耗的字符。
• 交替匹配顺序：正则引擎遇到|时，会从左到右尝试每个分支，只要某个分支匹配成功就会直接使用结果，不再尝试后续分支；只有当前分支匹配失败时，才会切换到下一个分支。

结合你的测试场景具体分析：

1. 分开调用findall：两次扫描是完全独立的，各自从头遍历整个字符串，所以能分别找到所有符合对应规则的匹配项，哪怕两个规则的匹配结果有重叠部分。
2. 组合正则扫描：匹配是连续且非重叠的：
   • 先匹配到101（位置0-2），从位置3继续扫描；
   • 到位置4时，10+1匹配失败，转而匹配01+0成功（010，位置4-6），这直接消耗了位置5的字符，导致原本能匹配10001的机会被跳过；
   • 后续扫描到位置8时，匹配到0110（位置8-11），又消耗了位置10的字符，导致原本能匹配1000001的机会被跳过；
     最终只得到3个匹配项，丢失了两次独立扫描时的部分结果。

解决办法 #

如果你需要获取两种规则下的所有匹配（包括重叠项），有两种可行方案：

1. 保持当前的「分开调用findall再合并结果」的方式，这是最直观的实现；
2. 使用正向预查实现零宽度匹配，让匹配不消耗字符，从而扫描到所有可能的结果：

   import re
   pattern = r'(?=(10+1|01+0))'
   match_all = re.findall(pattern, '10100100011000001')
   # 输出结果：['101', '010', '10001', '010', '0110', '1000001']
   

   这里的(?=...)是正向预查，它仅检查当前位置是否存在匹配，不会消耗任何字符，因此正则引擎可以继续在后续位置扫描其他匹配项。

内容的提问来源于stack exchange，提问作者Benjamín Panatt