如何避免Python正则表达式匹配单词子串？

正确代码实现 #

import re

def add_atsign(sents):
    for i, sent in enumerate(sents):
        # 用零宽断言定位独立单词，避免误匹配子串或捕获空格
        sents[i] = re.sub(r'(?<=^|\s)([a-zA-Z0-9_]{4,15})(?=\s|$)', r'@\1', str(sent))
    return sents

测试效果 #

运行以下代码：

mylist = ["ali_s ali_t ali_u aabs:/t.co/kMMALke2l9"]
print(add_atsign(mylist))

得到预期结果：

['@ali_s @ali_t @ali_u aabs:/t.co/kMMALke2l9']

为什么之前的写法不对？ #

1. 第一版正则r'([a-zA-Z0-9_]{4,15})'没有边界限制，只要是长度符合的子串就会被匹配——比如aabs:/里的aabs、kMMALke2l9都被误加了@。
2. 第二版正则r'((^|\s)[a-zA-Z0-9_]{4,15}(\s|$))'把前后的空格也包含进了捕获组，替换时@\1会把空格+单词+空格变成@空格+单词+空格，导致空格位置错乱（比如出现ali_t@这种错误格式）。

正则逻辑说明 #

• (?<=^|\s)：反向零宽断言，只检查目标单词前面是字符串开头或者空格，不把这个空格捕获进来。
• ([a-zA-Z0-9_]{4,15})：捕获我们真正要处理的单词——长度4到15位，由字母、数字、下划线组成。
• (?=\s|$)：正向零宽断言，检查目标单词后面是空格或者字符串结尾，同样不捕获这个空格。

这样替换时只会给独立的目标单词加上@，既不会碰那些和其他符号连在一起的子串，也不会打乱原来的空格布局。

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