如何编写正则匹配统计多形式oh my god短语并解决漏匹配问题

开发者阿泽

2026-8-30

问题说明

需求为遍历文本文件，统计短语oh my god的出现次数，该短语存在多种书写变体，例如omg、oh-my-god、oh my god!等。
原有正则存在漏匹配问题，无法统计全部符合要求的匹配项，原代码如下：

regex = re.compile(r'\b(omg|(oh[^A-Za-z0-9]my[^A-Za-z0-9]god)')

问题原因

原有正则存在3个核心问题：

语法错误：模式串缺少闭合括号，直接运行会抛出语法异常
分隔符匹配逻辑错误：[^A-Za-z0-9]要求oh和my、my和god之间必须存在恰好1个非字母数字字符，既无法匹配ohmygod这类无分隔符的连写形式，也无法匹配oh--my god这类多分隔符的形式
未配置大小写忽略规则，会漏掉Oh My God、OMG这类大小写混合的写法

可用方案

调整正则匹配逻辑，允许词之间存在0个或多个非字母数字分隔符，开启不区分大小写匹配，修正语法错误，完整实现代码如下：

import re
from pathlib import Path

# 正则说明：
# 1. \b 匹配单词边界，避免匹配到嵌入在长单词里的片段
# 2. (?:omg|oh[^a-z0-9]*my[^a-z0-9]*god) 非捕获分组，匹配两种核心形式：缩写omg、全拼oh my god（词之间允许0个或多个非字母数字分隔符，覆盖连写、连字符、多标点分隔等场景）
# 3. re.IGNORECASE 开启不区分大小写匹配，覆盖各种大小写组合
count_pattern = re.compile(r'\b(?:omg|oh[^a-z0-9]*my[^a-z0-9]*god)\b', re.IGNORECASE)

total_count = 0
# 替换为实际的文本文件路径
target_file = Path("target.txt")
with open(target_file, 'r', encoding='utf-8') as f:
    for line in f:
        total_count += len(count_pattern.findall(line))

print(f"目标短语总出现次数：{total_count}")

该正则可以覆盖的常见变体包括但不限于：