正则表达式分组匹配与非匹配内容的分词实现问题

你可以通过两种方式实现需求：

方法一：使用re.split（更简洁） #

利用re.split的捕获组特性，将大括号字段作为分隔符并保留它们，之后过滤掉空字符串即可：

import re

s = '{field1}somestring{field2}somestring2{feild3}<somestring3>'
result = [part for part in re.split(r'({[^}]*})', s) if part]
print(result)
# 输出: ['{field1}', 'somestring', '{field2}', 'somestring2', '{feild3}', '<somestring3>']

原理说明： #

• 正则({[^}]*})匹配带大括号的字段，并用括号将其标记为捕获组
• re.split遇到捕获组时，会将分隔符（也就是大括号字段）也包含在结果列表中
• 最后用列表推导式过滤掉分割产生的空字符串

方法二：使用re.findall匹配两种模式 #

编写正则同时匹配大括号字段和非大括号内容，再提取有效结果：

import re

s = '{field1}somestring{field2}somestring2{feild3}<somestring3>'
matches = re.findall(r'({[^}]*})|([^{]+)', s)
result = [item for tup in matches for item in tup if item]
print(result)
# 输出: ['{field1}', 'somestring', '{field2}', 'somestring2', '{feild3}', '<somestring3>']

原理说明： #

• 正则({[^}]*})|([^{]+)分为两个分支：
  1. ({[^}]*})匹配带大括号的字段
  2. ([^{]+)匹配不包含左大括号的连续字符（覆盖所有非大括号内容）
• re.findall返回的是元组列表，每个元组中只有一个有效元素，因此需要通过列表推导式提取非空元素

为什么你之前的正则不行？ #

你用的(.*?)({[^}]*})(.*?)存在两个问题：

1. .*?是惰性匹配，但会匹配空字符串，导致结果出现空值
2. 该正则只能匹配"非大括号内容+大括号字段+非大括号内容"的结构，无法处理连续的大括号字段或结尾的非大括号内容，因此漏掉了最后的<somestring3>

内容的提问来源于stack exchange，提问作者mike01010