Python 2.7.3与3.6.3正则表达式差异：同脚本结果不同

看起来你碰到了Python版本间正则引擎行为差异的坑——同一个脚本在2.7.3里能正确匹配到188组结果，但3.6.3里却少了一大半，而且最小复现案例还没法重现，这确实头疼。结合你的场景和grep的验证结果，我来分析下最可能的原因和解决办法：

核心疑点：编码解析差异 #

Python 2和3对文件读取的默认处理有个关键区别：

• Python 2的open()默认返回字节串（str类型），用系统默认编码解析文件；
• Python 3的open()默认返回Unicode字符串（str类型），用UTF-8编码解析。

如果你的目标文件里存在非ASCII字符（比如某些特殊符号、控制字符），两个版本解析后得到的字符串会不一样，直接干扰正则匹配的结果。

验证方法 #

在Python 3里强制用二进制模式读取文件（和Python 2的默认行为对齐），看看匹配结果是否变回188：

import re
inputfile = "opt-guess-firsttetint-r-h2o.out"
# Python 3用二进制模式读取，得到字节串
with open(inputfile,"rb") as input_file:
    input_string = input_file.read()
match_geometry = list(re.findall(b'CARTESIAN COORDINATES \(ANGSTROEM\)(.*?)CARTESIAN COORDINATES \(A\.U\.\)', input_string, re.DOTALL))
match_energy = list(re.findall(b'FINAL SINGLE POINT ENERGY(.*?)-------------------------', input_string, re.DOTALL))
print(len(match_geometry))
print(len(match_energy))

如果结果变成188/188，那就是编码解析的锅。此时只要统一两个版本的编码处理即可：比如在Python 2里显式用UTF-8解码，或者在Python 3里用二进制模式处理。

更可靠的正则写法：替换非贪婪匹配为负向预查 #

非贪婪匹配.*?虽然好用，但在不同正则引擎（或版本）里的边界处理可能有细微差异。换成负向预查的写法，能确保匹配逻辑更健壮，不受版本影响：

import re
inputfile = "opt-guess-firsttetint-r-h2o.out"
with open(inputfile,"r") as input_file:
    input_string = input_file.read()
# 用负向预查确保匹配内容中不包含终止字符串
match_geometry = re.findall(
    r'CARTESIAN COORDINATES \(ANGSTROEM\)((?:(?!CARTESIAN COORDINATES \(A\.U\.\)).)*)',
    input_string,
    re.DOTALL
)
match_energy = re.findall(
    r'FINAL SINGLE POINT ENERGY((?:(?!-------------------------).)*)',
    input_string,
    re.DOTALL
)
print(len(match_geometry))
print(len(match_energy))

这种写法的逻辑是：匹配CARTESIAN COORDINATES (ANGSTROEM)之后的所有内容，直到遇到CARTESIAN COORDINATES (A.U.)为止，而且不会因为中间的特殊字符导致提前终止，在Python 2和3中的行为完全一致。

额外排查：文件中的特殊控制字符 #

如果上面的方法都没用，可以检查文件里是否存在不可见的控制字符（比如\x00、\x1a这类），它们可能在两个版本中被解析成不同的内容，干扰匹配。用下面的代码可以找出这些字符：

with open(inputfile, 'rb') as f:
    content = f.read()
for idx, byte in enumerate(content):
    # 只打印非打印字符（排除空格、换行、回车和可打印ASCII）
    if not (32 <= byte <= 126 or byte in (10, 13)):
        print(f"位置 {idx}: 字节 {hex(byte)}")

如果发现这类字符，可以在读取文件时过滤掉，或者调整正则表达式忽略它们。

内容的提问来源于stack exchange，提问作者Yoda