为什么正则表达式的分支顺序会影响re.match的分词运行结果？

根因分析 #

核心问题出在正则表达式的分支左优先匹配规则，以及可空匹配项的摆放位置：

• 正则的|分支运算符会从左到右依次尝试匹配，只要第一个分支匹配成功，就会跳过后续所有分支的校验。
• 无法正常运行的模式串中，第二捕获组的分支顺序为([a-z])*|[0-9]|\(|\)|\*|\/：
  其中第一个分支([a-z])*的量词*代表匹配0次或多次小写字母，也就是说即使当前位置没有小写字母，这个分支也能匹配到长度为0的空串，直接判定匹配成功。
  当解析的字符串开头是括号、数字、运算符这类非小写字母的内容时，正则会直接命中第一个分支的空匹配，不会再尝试后面匹配括号、数字的分支。
• 这种情况下每次匹配得到的m.group(0)总长度为0，执行s = s[len(m.group(0)):]后字符串完全没有变化，永远触发不了s == ''的结束条件，自然就会陷入死循环。

调整位置后正常运行的原因 #

调整后的模式串把([a-z])*放到了所有分支的最后：[0-9]|\(|\)|\*|\/|([a-z])*
此时正则会先尝试匹配数字、括号、运算符这些固定符号，只有当这些都匹配失败时，才会走最后一个小写字母的分支，不会出现有效字符被空匹配跳过的情况，自然就不会卡死。

额外优化提示：

• 当前数字规则只能匹配单个数字，比如123会被拆分为['1','2','3']，可以把数字规则改为[0-9]+匹配连续数字
• 你最初的错误规则末尾多了一个悬空的|，会额外新增一个空匹配分支，也会加重死循环问题

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