Python正则匹配含多可选组不同长度复杂文件名的问题

问题原因 #

原来的正则存在以下错误：

• 可选的tile、provider分组没有和前置分隔下划线绑定，_?(?P<tile>\w+)? 这种写法导致贪婪模式下\w+会吞噬后续provider字段甚至日期前的内容，最终两个分组都匹配不到值
• 字段匹配规则不够严谨，\w只能匹配字母、数字、下划线，无法匹配其他特殊字符
• 后缀前的.作为正则元字符没有转义，存在匹配任意字符的风险

修正后的正则与代码 #

import re

pattern = r'^(?P<product>\w{3})' \
          r'_(?P<country>\w{2})' \
          r'-(?P<region>[^_]+)' \
          r'(?:_(?P<tile>[^_]+))?' \
          r'(?:_(?P<provider>[^_]+))?' \
          r'_(?P<year>\d{4})' \
          r'(?P<month>\d{2})' \
          r'(?P<day>\d{2})' \
          r'_(?P<hour>\d{2})' \
          r'(?P<minute>\d{2})' \
          r'(?P<second>\d{2})' \
          r'_(?P<sensor>\w{5})' \
          r'_(?P<res_unit>km|m|cm)' \
          r'(?P<resolution>\d{3,4})' \
          r'(?:_(?P<bittype>\d{1,2}bit))?' \
          r'\.(?P<format>\w+)$'

p = re.compile(pattern)

# 测试文件名
fn1 = 'FOO_is-atest_123456_COMPANY_20190729_153343_SATEL_m0001_32bit.tif'
fn2 = 'FOO_is-atest_COMPANY_20190729_153343_SATEL_m0001_32bit.tif'
fn3 = 'FOO_is-atest_COMPANY_20190729_153343_SATEL_m0001.tif'
fn4 = 'FOO_is-atest_32tnt_20211125_120005_SATEL_m0001.tif'
fn5 = 'FOO_is-atest_20211125_120005_SATEL_cm070.tif'
fn6 = 'FOO_is-atest_20211125_120005_SATEL_cm070_32bit.tif'

print(p.match(fn1).group('tile'), p.match(fn1).group('provider'))
print(p.match(fn2).group('provider'), p.match(fn2).group('bittype'))
print(p.match(fn3).group('provider'), p.match(fn3).group('resolution'))
print(p.match(fn4).group('tile'), p.match(fn4).group('year'))
print(p.match(fn5).group('provider'), p.match(fn5).group('resolution'))
print(p.match(fn6).group('provider'), p.match(fn6).group('bittype'))

输出结果 #

123456 COMPANY
COMPANY 32bit
COMPANY 0001
32tnt 2021
None 070
None 32bit

说明 #

• 用(?:_xxx)?的非捕获分组结构，把分隔下划线和字段绑定，只有存在下划线加对应内容时才会匹配分组，避免吞噬问题
• 用[^_]+匹配字段内容，匹配到下一个下划线为止，支持除下划线外的所有字符
• 增加了^和$锚定整个文件名的首尾，避免多余字符干扰匹配
• 转义了后缀前的.，严格匹配点号

内容的提问来源于stack exchange，提问作者s6hebern