Python re库命名捕获组过于贪婪 如何正确匹配指定区间内容

问题原因 #

你的正则写法的核心问题是没有限制匹配的(the|my)是目标Foo之前最后出现的前缀：

• 正则匹配默认从左到右扫描字符串，会优先命中第一个出现的the或my作为前缀
• 即便你用了非贪婪量词.+?，也只是在已经匹配到前缀的基础上，尽可能少匹配字符到下一个Foo，因此会把前缀和目标Foo中间的所有内容（包括中间出现的其他the/my）都捕获到bar分组中，就出现了捕获内容超出预期的问题。

解决方法 #

可以在正则开头加贪婪匹配.*，让引擎先吃掉尽可能多的字符，直到命中最后一个出现的the或my，再捕获后续到Foo之前的内容即可，修改后的正则为：

.*(the|my) (?P<bar>.+?) Foo

如果需要严格避免捕获内容中出现其他the/my，也可以用否定前瞻的写法实现：

(the|my) (?P<bar>(?:(?!\bthe\b|\bmy\b).)+) Foo

Python 实现示例 #

import re

text = """FooFooFoo the FooFoo the Bar Foo
FooFooFoo the FooFoo my Bar Foo
FooFooFoo the FooFoo the Hello World Foo
"""

pattern = re.compile(r'.*(the|my) (?P<bar>.+?) Foo')
for line in text.splitlines():
    match = pattern.search(line)
    if match:
        print(match.group('bar'))

运行后输出：

Bar
Bar
Hello World

内容的提问来源于stack exchange，提问作者mistyped