如何识别正则表达式中点号匹配的字符串对应字符索引

要找出正则表达式中通配符.匹配的字符索引，可以通过以下两种方法实现：

方法一：使用标准库re（无需第三方依赖） #

核心思路是：遍历字符串的每个字符，将其替换为一个原正则中其他结构无法匹配的特殊字符（比如\0），如果替换后正则仍能匹配字符串，说明该字符是被.匹配的。

import re
import pandas as pd

def get_dot_indices(regex_pattern, matched_str):
    indices = []
    # 先确认原字符串确实匹配正则
    if not re.fullmatch(regex_pattern, matched_str):
        return []
    # 遍历每个字符索引
    for idx in range(len(matched_str)):
        # 将当前字符替换为特殊字符'\0'
        modified_str = matched_str[:idx] + '\x00' + matched_str[idx+1:]
        # 检查替换后是否仍匹配正则
        if re.fullmatch(regex_pattern, modified_str):
            indices.append(idx)
    return indices

# 初始化DataFrame
data = pd.DataFrame({
    'Name': ['A', 'B', 'C'], 
    'pattern_id': ['A_1', 'B_1', 'C_1'], 
    'regex': ['[LIVMP].{0,2}(T)P..([ST])', '[AVP].[ST][ST][ST]', '^M{0,1}([ED]).'], 
    'matched_string': ['PSTPLVT', 'PVTTT', 'MEG']
})
df = pd.DataFrame(data)

# 新增列
df['char_indexes'] = df.apply(lambda row: get_dot_indices(row['regex'], row['matched_string']), axis=1)

print(df)

运行后输出与期望结果一致：

Name pattern_id                        regex matched_string char_indexes
0    A        A_1  [LIVMP].{0,2}(T)P..([ST])        PSTPLVT  [1, 4, 5]
1    B        B_1         [AVP].[ST][ST][ST]          PVTTT        [1]
2    C        C_1             ^M{0,1}([ED]).            MEG        [2]

方法二：使用regex第三方库（效率更高） #

如果处理大量数据，推荐使用regex库（需先通过pip install regex安装），它支持获取重复捕获组的所有匹配位置，能更高效地追踪.的匹配索引。

import regex
import pandas as pd

def get_dot_indices(regex_pattern, matched_str):
    # 替换正则中不在字符类[]内的.为捕获组(.?)
    # 避免替换字符类中的.（比如[.]是匹配点本身，不是通配符）
    modified_regex = regex.sub(r'(?<!\[)(?:[^[\]]*\])*[^[\]]*\K\.', r'(.?)', regex_pattern)
    match_obj = regex.fullmatch(modified_regex, matched_str)
    if not match_obj:
        return []
    # 收集所有捕获组的起始索引
    indices = []
    for group_num in range(1, match_obj.lastindex + 1):
        # 获取该捕获组所有的匹配区间
        for start, _ in match_obj.spans(group_num):
            indices.append(start)
    # 确保索引按顺序排列
    indices.sort()
    return indices

# 初始化DataFrame并新增列
data = pd.DataFrame({
    'Name': ['A', 'B', 'C'], 
    'pattern_id': ['A_1', 'B_1', 'C_1'], 
    'regex': ['[LIVMP].{0,2}(T)P..([ST])', '[AVP].[ST][ST][ST]', '^M{0,1}([ED]).'], 
    'matched_string': ['PSTPLVT', 'PVTTT', 'MEG']
})
df = pd.DataFrame(data)
df['char_indexes'] = df.apply(lambda row: get_dot_indices(row['regex'], row['matched_string']), axis=1)

print(df)

此方法通过将每个.转换为捕获组，利用regex库的spans()方法获取所有匹配位置，效率比标准库方法更高。

内容的提问来源于stack exchange，提问作者Bluegirl FK