Python基于regex模块实现信号词前文本截取的正则适配异常

现有正则的异常和DOTALL、MULTILINE这类参数无关，核心是匹配结构的设计缺陷：

• 原正则的匹配单元要求是「任意字符+空白」的重复片段，每个被吃掉的内容块至少占2个字符长度
• 当信号词处于文本开头时，开头位置和第一个信号词之间的内容长度为0，完全凑不出符合要求的重复片段
• 非贪婪匹配逻辑会跳过这个无法满足结构要求的前瞻位置，继续向后查找，直到碰到第二个信号词前的位置——此时前面已经积累了足够多的符合要求的重复片段，就会完成匹配，把从文本开头到第二个信号词之前的内容全部删除，和实际观察到的异常表现完全一致。

把前置匹配的结构改成无强制长度要求的非贪婪全匹配即可，调整后的替换代码为：

import regex
new_text = regex.sub(r'^.*?(?=\bSIGNALWORD\b)', '', text, flags=regex.DOTALL)

规则说明 #

• 去掉了原来强制要求「字符+空白」重复的原子组结构，改用^.*?直接匹配从文本起始位置开始的所有内容
• 非贪婪匹配*?会在碰到第一个信号词的前瞻位置就立刻停止，不会向后滑到后续的信号词位置
• 给信号词加\b词边界，避免误匹配到嵌入了相同字符串的其他词汇（例如SIGNALWORDTEST这类并非独立信号词的内容）
• 开启regex.DOTALL参数，是为了让.可以匹配换行符，支持跨多行的内容匹配逻辑。

双场景验证效果 #

• 信号词位于文本中段的场景：匹配会从文本开头一直延伸到第一个信号词之前，替换后完整保留第一个信号词及之后的所有内容，和原有正确表现保持一致
• 信号词位于文本开头的场景：匹配会在文本起始位置（也就是第一个信号词正前方）就停止，此时匹配的内容长度为0，替换为空字符串相当于不做任何修改，完全符合预期需求。

内容的提问来源于stack exchange，提问作者Steffen Neeb