如何使用\b单词边界构建正则，使点号不成为匹配分隔符？

给定字符串：

s = "Hi, domain: (foo.bar.com) bye"

期望使用re.findall()得到如下结果：

# 返回: ["Hi", ", ", "domain", ": (", "foo.bar.com", ") ", "bye"]

要求分别提取单词和连续的非单词字符串，但需将foo.bar.com这类带点的域名视为整体，不能拆分，且不能以空格作为分隔条件。

初始尝试使用单词边界\b编写正则：

regex = r'(?:^|\b).*?(?=\b|$)'
re.findall(regex, s)
# 返回: ["Hi", ",", "domain", ": (", "foo", ".", "bar", ".", "com", ") ", "bye"]

问题在于\b会把点号当作单词边界，导致域名被拆分成多个片段。

解决方案 #

方案一：直接匹配两种目标模式 #

通过明确写出“含点域名类单词”和“非单词字符序列”两种规则，让正则引擎优先匹配符合要求的内容：

import re

s = "Hi, domain: (foo.bar.com) bye"
regex = r'\w+(?:\.\w+)*|\W+'
result = re.findall(regex, s)
print(result)
# 输出: ['Hi', ', ', 'domain', ': (', 'foo.bar.com', ') ', 'bye']

• \w+(?:\.\w+)*：匹配由点号连接的单词序列，比如foo.bar.com。其中(?:\.\w+)*是非捕获组，用来匹配零个或多个“点+单词”的组合，避免生成多余的分组结果。
• \W+：匹配一个或多个连续的非单词字符，对应需要单独提取的非单词部分。

方案二：自定义边界断言 #

如果需要更灵活的边界控制，可以用断言来定义不会拆分域名的自定义边界：

import re

s = "Hi, domain: (foo.bar.com) bye"
regex = r'(?:^|(?<![\w.]))(?:[\w.]+|\W+)(?![\w.])'
result = re.findall(regex, s)
print(result)
# 输出同样符合预期

• (?<![\w.])：负向回顾后发断言，确保当前位置的前一个字符不是单词字符或点号，以此作为自定义的“非目标单词”边界。
• [\w.]+：匹配包含点号的域名类字符串。
• \W+：匹配连续的非单词字符序列。
• (?![\w.])：负向前瞻断言，确保当前位置的后一个字符不是单词字符或点号，完成边界的界定。

内容的提问来源于stack exchange，提问作者Alakazam