Python正则：匹配含指定模式后n个非模式词，遇模式则顺延

问题描述 #

我想要编写一个正则表达式，捕获指定模式后的n个词，此前已有类似解答，但需求有所不同：若再次遇到该模式，需继续往后再找n个词。

比如主搜索模式为'x'，要捕获含'x'的词及其后n=3个不含'x'的词，以下字符串应得到3个匹配结果：

Lorem ipsum dolxor sit amet, consectetur adipiscing elit. Morxbi fringilla, dui axt tincidunt consectetur, libero arcu cursus arcxu, ut commodo lexctus magna vitxae venenatis neque.

匹配结果（'x'已加粗便于查看）：

1. dolxor sit amet, consectetur
2. Morxbi fringilla, dui axt tincidunt consectetur, libero
3. arcxu, ut commodo lexctus magna vitxae venenatis neque.

匹配模式后n=3个词的基础正则很简单：[^ ]*x[^ ]*(?: [^ ]*){0,3}，但遇到'x'时如何顺延匹配我不确定。我尝试过[^ ]*x[^ ]*(?: (?![^ ]*x[^ ]*)[^ ]*){0,3}，但它会终止搜索而非继续检查后续n个词，上述例子会得到6个结果而非预期的3个：

1. dolxor sit amet, consectetur
2. Morxbi fringilla, dui
3. axt tincidunt consectetur, libero
4. arcxu, ut commodo
5. lexctus magna
6. vitxae venenatis neque.

注：我使用的是Python环境。

补充说明：我的目的是获取指定模式每次出现时的足够上下文信息（为简化仅考虑模式后的词，反向同理可扩展）。第一个正则的问题在于，若某个含模式的词被作为其他匹配的上下文，它自身的上下文信息会缺失。例如上述文本中第一个匹配会是'Morxbi fringilla, dui axt'，仅能获取'Morxbi'的后续信息，而无法获取'axt'的。第二个正则也无法解决，因为当匹配的上下文包含其他匹配时，会丢失信息，比如无法知道'Morxbi'后的第三个词是什么。

解决方案 #

方法1：结合Python代码实现（易读且灵活）

纯正则实现这类动态顺延逻辑会比较复杂，结合代码跟踪匹配位置更清晰可靠。以下是实现代码：

import re

text = "Lorem ipsum dolxor sit amet, consectetur adipiscing elit. Morxbi fringilla, dui axt tincidunt consectetur, libero arcu cursus arcxu, ut commodo lexctus magna vitxae venenatis neque."
n = 3
pattern = re.compile(r'[^ ]*x[^ ]*')
words = text.split(' ')
matches = []
used_indices = set()

for match in pattern.finditer(text):
    # 获取当前含x的词在words列表中的索引
    idx = text[:match.start()].count(' ')
    
    if idx in used_indices:
        continue
    
    # 从当前索引开始，找到最后一个含x的词的位置
    last_x_idx = idx
    for i in range(idx, len(words)):
        if 'x' in words[i]:
            last_x_idx = i
    
    # 计算结束位置：最后一个x词后n个词，不超过列表长度
    end_idx = min(last_x_idx + n + 1, len(words))
    # 收集匹配的词并合并
    match_str = ' '.join(words[idx:end_idx])
    matches.append(match_str)
    # 标记所有被使用的索引
    for i in range(idx, end_idx):
        used_indices.add(i)

print(matches)

运行结果符合预期：

[
    'dolxor sit amet, consectetur',
    'Morxbi fringilla, dui axt tincidunt consectetur, libero',
    'arcxu, ut commodo lexctus magna vitxae venenatis neque.'
]

方法2：纯正则表达式（适合简单场景）

如果偏好纯正则，可以使用以下表达式，利用贪婪匹配和正向预查实现顺延逻辑：

(?<!\S)[^ ]*x[^ ]*(?: [^ ]*)*?(?=(?: [^ ]*){3}(?!.*x)|$)|(?<!\S)[^ ]*x[^ ]*(?: [^ ]*x[^ ]*)*(?: [^ ]*){0,3}

在Python中使用re.findall调用：

import re

text = "Lorem ipsum dolxor sit amet, consectetur adipiscing elit. Morxbi fringilla, dui axt tincidunt consectetur, libero arcu cursus arcxu, ut commodo lexctus magna vitxae venenatis neque."
pattern = re.compile(r'(?<!\S)[^ ]*x[^ ]*(?: [^ ]*)*?(?=(?: [^ ]*){3}(?!.*x)|$)|(?<!\S)[^ ]*x[^ ]*(?: [^ ]*x[^ ]*)*(?: [^ ]*){0,3}')
matches = pattern.findall(text)
print(matches)

这个正则的逻辑是：

1. 匹配从非空格开头的含'x'的词，然后尽可能匹配后续词，直到后面有3个不含'x'的词或文本结束。
2. 同时处理末尾可能不足3个词的情况，确保最后一个含'x'的词能带上所有剩余词。

解释 #

• 方法1通过代码手动跟踪每个含'x'词的位置，确保每个初始匹配都能覆盖到最后一个关联'x'词后的n个词，避免重复匹配和上下文丢失，可读性和扩展性更强。
• 方法2纯正则利用贪婪匹配和预查实现，但逻辑相对复杂，适合固定规则的简单场景。

内容的提问来源于stack exchange，提问作者Zachary