正则表达式优化：匹配不以‘aa’开头的‘cc dd’子串

需求 #

使用Python的re模块匹配文本中不以“aa”开头的“cc dd”子串，同时保留对“ee”的匹配替换逻辑。当前正则表达式会匹配包含“cc dd”的整段前缀内容，不符合预期，需要仅匹配“cc dd”本身。

当前代码 #

import re

s = 'bb cc dd ee\naa : bb cc dd ee\n11 cc dd ee'
pp = re.compile(r'(?P<n1>ee)|(?P<n2>^(?!aa\b).*\bcc dd\b)', re.MULTILINE)

def _rep(x):
    print(x.groupdict())
    return [f'<{k}>' for k, v in x.groupdict().items() if v is not None][0]

rr = pp.sub(_rep, s)
print(rr)

当前运行结果 #

# print(x.groupdict())
    {'n1': None, 'n2': 'bb cc dd'}
    {'n1': 'ee', 'n2': None}
    {'n1': 'ee', 'n2': None}
    {'n1': None, 'n2': '11 cc dd'}
    {'n1': 'ee', 'n2': None}

# print(rr)
    <n2> <n1>
    aa : bb cc dd <n1>
    <n2> <n1>

期望结果 #

# print(x.groupdict())
    {'n1': None, 'n2': 'cc dd'}
    {'n1': 'ee', 'n2': None}
    {'n1': 'ee', 'n2': None}
    {'n1': None, 'n2': 'cc dd'}
    {'n1': 'ee', 'n2': None}

# print(rr)
    bb <n2> <n1>
    aa : bb cc dd <n1>
    11 <n2> <n1>

修正方案 #

修改正则表达式，让n2捕获组仅匹配“cc dd”本身，同时通过正向后查确保该子串所在行不以“aa”开头：

import re

s = 'bb cc dd ee\naa : bb cc dd ee\n11 cc dd ee'
# 调整正则，使用正向后查限定行开头，仅捕获目标子串"cc dd"
pp = re.compile(r'(?P<n1>ee)|(?P<n2>(?<=^(?!aa\b).*?)\bcc dd\b)', re.MULTILINE)

def _rep(x):
    print(x.groupdict())
    return [f'<{k}>' for k, v in x.groupdict().items() if v is not None][0]

rr = pp.sub(_rep, s)
print(rr)

修正说明 #

• 原正则中(?P<n2>^(?!aa\b).*\bcc dd\b)会匹配从行开头到“cc dd”的全部内容，导致替换时丢失了“bb”“11”等前缀。
• 修正后的(?P<n2>(?<=^(?!aa\b).*?)\bcc dd\b)：
  1. (?<=^(?!aa\b).*?) 是正向后查，确保当前“cc dd”所在的行开头不是“aa”，且仅匹配到“cc dd”之前的内容（不捕获）；
  2. \bcc dd\b 精准匹配目标子串，并放入n2捕获组，确保替换时仅修改“cc dd”本身。

内容的提问来源于stack exchange，提问作者Travis