Regex Alternation Order

Question

Я установил сложное регулярное выражение для извлечения данных со страницы текста. Почему-то порядок чередования не тот, который я ожидаю. Простой пример будет:

((13th|(Executive |Residential)|((\w+) ){1,3})Floor)

Проще говоря, я пытаюсь либо получить номер этажа, известное имя этажа, и, в качестве резервной копии, я фиксирую 1-3 неизвестных слова, за которыми следует слово этажа на всякий случай, чтобы просмотреть позже (на самом деле я использую имя группы, чтобы определить это но не хотел путать вопрос)

Проблема в том, если строка

on the 13th Floor

Я не понимаю 13th Floor я получил on the 13th Floor который, кажется, указывает, что это соответствует 3-му чередованию. Я ожидал, что это будет соответствовать 13-му этажу. Я настроил это специально (или я так думал), чтобы расставить приоритеты по типам матчей и оставить неопределенные на последний, только если пропущены другие. Я думаю, они не шутили, когда говорили, что Регекс жадный, но мне неясно, как настроить его на "жадность" и вести себя так, как я хочу.

Answer 1

Ну, автомат стоит 1000 слов:

играть с этим

Ваша проблема в том, что вы используете жадный \w+ суб-регулярное выражение в вашем чередовании. Поскольку @rigderunner заявляет в своем комментарии, NFA совпадает с самой длинной левой подстрокой, \w+ всегда будет соответствовать всему, что предшествует Floorбудь то серия слов или 13th или же Executive или же Residential или трое из них. Круглые скобки не меняют поведение чередования.

Таким образом, в худшем случае, если вы не хотите, чтобы он совпадал, это:

xxxx yyyy zzz tttt Floor

Проблема с вашим регулярным выражением состоит в том, что вы ожидаете сделать то, чего не могут сделать обычные регулярные выражения: вы ожидаете, что оно будет соответствовать словам, если альтернативы не сработали. Поскольку обычный язык не может отслеживать статус, регулярное выражение не может выразить это.

Я на самом деле не уверен, что использование какого-либо вида заблаговременности может помочь вам сделать это за одно регулярное выражение, и даже если вы сможете, вы получите очень сложное, нечитаемое и, возможно, даже неэффективное регулярное выражение.

Поэтому вы можете вместо этого использовать два регулярных выражения и получить группы из второго регулярного выражения в случае неудачи первого:

((13th|Executive|Residential) +Floor)

и если нет совпадения

((\w+ +){1:3}Floor)

NB: чтобы не повторяться, пожалуйста, посмотрите на этот другой ответ, где я даю список интересных ресурсов, читающих лекции по регулярным выражениям и NFA. Это поможет вам понять, как на самом деле работает регулярное выражение.

Answer 2

Во-первых, вот ваше регулярное выражение в режиме свободного пространства:

tidied = re.compile(r"""
    (                   # $1: ...
      (                 # $2: One ... from 3 alternatives.
        13th            # Either a1of3.
      | (               # Or a2of3 $3: One ... from 2 alternatives.
          Executive[ ]  # Either a1of2.
        | Residential   # Or a2of2.
        )               # End $3: One ... from 2 alternatives.
      | (               # Or a3of3 $4: Last match from 1 to 3 ...
          (\w+)         # $5: ...
          [ ]           #
        ){1,3}          # End $4: Last match from 1 to 3 ...
      )                 # End $2: One ... from 3 alternatives.
      Floor             #
    )                   # End $1: ...
    """, re.VERBOSE)

Обратите внимание, что приведенный выше шаблон имеет дополнительные скобки, которые не имеют никакого эффекта. Вот упрощенное выражение, которое функционально эквивалентно:

tidied = re.compile(r"""
    (               # $1: One ... from 4 alternatives.
      13th          # Either a1of4.
    | Executive[ ]  # Or a2of4.
    | Residential   # Or a3of4.
    | (             # Or a4of4 $2: Last match from 1 to 3 ...
        (\w+)       # $3: ...
        [ ]         #
      ){1,3}        # End $2: Last match from 1 to 3 ...
    )               # End $1: One ... from 4 alternatives.
    Floor           #
    """, re.VERBOSE)

Самые длинные левые матчи

По сути, перед требуемым словом есть четыре сгруппированных альтернативы: Floor, Первые три варианта - каждое слово, но четвертый вариант соответствует трем словам. Механизм регулярных выражений NFA работает слева направо и всегда пытается найти самое длинное левое совпадение. В этом случае, когда регулярное выражение проходит через регулярное выражение по одному символу за раз, оно проверяет все четыре параметра в каждой позиции символа. Так как четвертый вариант всегда может сопоставить два слова перед остальными тремя, он всегда будет совпадать первым (при условии, что перед словом стоят три слова) Floor в данном тексте.). Если нет трех слов, предшествующих Floor, тогда может совпадать один из первых трех вариантов.

Обратите также внимание, что после 13th а также Residential альтернативы, таким образом, это будет когда-либо совпадать только тогда, когда представлен текст, имеющий объединенный текст: ResidentialFloor или же 13thFloor,