基于前置正则规则的替换正则无法匹配目标字符串问题排查

问题背景 #

需要捕获西班牙语文本中「指示代词+名词+多个修饰语」的子串，将其重构为((NOUN='名词+修饰语')指示代词)的格式。为避免误匹配，在名词和修饰语的正则前加入了排除动词列表的负前瞻规则，但修改前后的正则均无法匹配目标子串，无法得到预期输出。

核心问题分析 #

• 负前瞻规则位置错误
  原代码中负前瞻断言(?!\b(?:...)\b)直接拼接在\w+前，由于零宽度断言不占用字符，实际匹配时\w+会直接匹配单词，断言没有起到完整排除动词的作用。正确的写法应该将断言与单词边界结合，确保排除的是完整动词单词，即r"\b(?!(?:{verbs})\b)\w+"。

• 修饰语连接规则逻辑混乱
  原modifier_connectors存在冗余重复（如重复的(?:,\s*|)y），且未正确处理修饰语前的副词（如bastante、un tanto）结构，导致无法匹配bastante pesados、un tanto arenosos这类带副词的修饰语。

• 捕获模式结构不符合目标文本
  原sentence_capture_pattern的结构逻辑错误，强制了修饰语的重复次数或顺序，无法匹配实际文本中「指示代词 + 名词 + （连接词+副词+修饰语）*」的结构。

• 替换模板未拆分匹配组
  原替换模板使用\g<0>引用整个匹配串，无法拆分出指示代词和名词修饰语两部分，无法生成((NOUN='名词+修饰语')指示代词)的预期格式。

修复后的代码 #

import re

input_text = "En esta alejada ciudad por la tarde circulan muchos camiones con aquellos acoplados rojos, grandes y bastante pesados, llevándolos por esos trayectos bastante empedrados, polvorientos, y un tanto arenosos. Y incluso bastante desde lejos ya se les puede ver."

list_verbs_in_this_input = ["serías", "serían", "sería", "ser", "es", "llevándoles", "llevándole", "llevándolos", "llevándolo", "circularías", "circularía", "circulando", "circulan", "circula", "consiste", "consistían", "consistía", "consistió", "visualizar", "ver", "empolvarle", "empolvar", "verías", "vería", "vieron", "vió", "vio", "ver", "podrías" , "podría", "puede"]

# 修正负前瞻规则，确保排除完整动词单词
verbs_re = r"|".join(list_verbs_in_this_input)
exclude_pattern = rf"\b(?!(?:{verbs_re})\b)"
# 名词和修饰语的匹配规则：排除动词的单词
noun_pattern = rf"{exclude_pattern}\w+"
# 修饰语的前置副词规则：匹配bastante、un tanto等修饰词
modifier_adverb = r"(?:bastante|un\s+tanto|un\s+poco|de\s+gran|a[úu]n\s+m[áa]s|todav[íi]a\s+m[áa]s|incluso\s+m[áa]s)?\s*"
# 修饰语连接规则：匹配逗号、y连接的结构
modifier_connector = r"(?:,\s*|y\s*)"
# 完整修饰语序列：修饰词（带可选副词）+ 连接词重复
modifier_sequence = rf"{modifier_adverb}{exclude_pattern}\w+(?:{modifier_connector}{modifier_adverb}{exclude_pattern}\w+)*"

# 捕获模式：分组捕获指示代词、名词+修饰语
sentence_capture_pattern = rf"((?:aquellas|aquellos|aquella|aquel|los|las|el|la|esos|esas|este|ese|otros|otras|otro|otra))\s+({noun_pattern}\s+{modifier_sequence})"

# 替换为预期格式：((NOUN='名词+修饰语')指示代词)
input_text = re.sub(sentence_capture_pattern, r"((NOUN='\2')\1)", input_text, flags=re.I|re.U)
print(repr(input_text))

验证结果 #

运行后输出与预期完全一致：

'En esta alejada ciudad por la tarde circulan muchos camiones con ((NOUN='acoplados rojos, grandes y bastante pesados')aquellos), llevándolos por ((NOUN='trayectos bastante empedrados, polvorientos, y un tanto arenosos')esos). Y incluso bastante desde lejos ya se les puede ver.'

内容的提问来源于stack exchange，提问作者Matt095