Python re.findall匹配正则所有模式返回空元组问题排查

问题复现 #

你编写的用于匹配给药途径的正则可正常通过语法校验，代码如下：

route = r"""[\s+|\(][iI](\.)?[vV](\.)?(\W|\s|$)?
               |\s intravenously|\s intravenous
               |[\s|\(][pP](\.)?[oO](\.)?(\W|\s|$)
               |\s perorally|\s?(per)?oral(ly)?|\s intraduodenally
               |[\s|\(]i(\.)?p(\.)?(\W|\s|$)?  
               |\s intraperitoneal(ly)?
               |[\s|\(]i(\.)?c(\.)?v(\.)?(\W|\s|$)? 
               |\s intracerebroventricular(ly)?
               |[\s|\(][iI](\.)?[gG](\.)?(\W|\s|$)?
               |\s intragastric(ly)?
               |[\s|\(]s(\.)?c(\.)?(\W|\s|$)?
               |subcutaneous(ly)?(\s+injection)?
               |[\s|\(][iI](\.)?[mM](\.)?(\W|\s|$)? 
               |\sintramuscular
          """

使用re.search可正常匹配到首个符合要求的片段：

s = 'Pharmacokinetics parameters evaluated after single IV or IM'

m = re.search(re.compile(route, re.X), s)
print(m.group(0))
# 输出: ' IV '

预期使用re.findall获取全部匹配项时返回['IV', 'IM']，实际返回大量包含空字符串的元组组成的列表，与预期不符。

核心成因 #

问题来自两处写法错误：

1. 不了解re.findall的返回规则
   只要正则里存在普通捕获分组（即未加?:前缀的(xxx)格式分组），re.findall就不会返回每次完整匹配的字符串，而是按顺序返回所有分组捕获的内容；分组未匹配到内容时就返回空字符串。你的正则里有近30个捕获分组（比如用来匹配可选点号的(\.)?、匹配后缀边界的(\W|\s|$)?等），绝大多数分组在单次匹配中不会命中，最终就会返回大量空字符串组成的元组。
2. 正则本身存在逻辑错误
   • 字符集用法错误：[\s+|\(]这类写法完全不符合预期，字符集内的|、+会被当作普通字符（分别匹配竖线、加号本身），不具备“或”的逻辑能力，无法正确匹配“空白或左括号”的边界。
   • 边界字符被纳入匹配范围：你用来做前后边界的空格、标点都被写进了匹配规则里，就算findall正常返回完整匹配，结果也会携带前后多余的空白，无法得到干净的IV、IM结果。

修复方法 #

按以下步骤调整正则即可得到预期结果：

• 把所有不需要提取内容的捕获分组，全部改成非捕获分组，也就是把(xxx)替换为(?:xxx)，避免findall抓取分组内的空值。
• 修正错误的字符集写法，推荐用零宽断言做单词边界，不会把边界字符算进匹配结果里。
• 可以在正则开头加(?i)标记全局忽略大小写，省去[iI][vV]这类冗余写法，简化正则长度。

修复后的可运行代码示例：

import re

# 修正后的正则，适配re.X模式
route = r"""
(?i)  # 全局忽略大小写
(?<![A-Za-z])  # 左边界：前面不能是字母，避免匹配到单词内部的片段
(?:
  i\.?v\.?
  |intravenously|intravenous
  |p\.?o\.?
  |perorally|(?:per)?oral(?:ly)?|intraduodenally
  |i\.?p\.?
  |intraperitoneal(?:ly)?
  |i\.?c\.?v\.?
  |intracerebroventricular(?:ly)?
  |i\.?g\.?
  |intragastric(?:ly)?
  |s\.?c\.?
  |subcutaneous(?:ly)?(?:\s+injection)?
  |i\.?m\.?
  |intramuscular
)
(?![A-Za-z])  # 右边界：后面不能是字母
"""

s = 'Pharmacokinetics parameters evaluated after single IV or IM'
result = re.findall(route, s, re.X)
print(result)
# 输出: ['IV', 'IM']，完全符合预期

内容的提问来源于stack exchange，提问作者Despe1990