Python正则表达式|逻辑或作用域与分组量词实践

脚本专家

在Python正则表达式中，逻辑“或”用竖线 | 表示，用来匹配多个备选模式中的任意一个。正则表达式没有专门的逻辑与、非符号：顺序书写的字符本身构成“与”，负向先行断言(?!)、字符类中的^等可表达“非”，而|负责“或”。下面基于Python re模块的findall示例，说明|在整体分支、分组、量词组合和字符类中的不同行为。

一、用|分割整个正则的备选分支

2. import re
3. import time
4. a = "abc efg hij"
5. b = re.findall(r"abc|efg", a)
6. c = re.findall(r'abc|efg|hij', a)
7. print("b = {}, c = {}".format(b, c))
8. # 输出结果：b = ['abc', 'efg'], c = ['abc', 'efg', 'hij']

复制代码

b中|连接abc和efg，只要匹配abc或efg中任意一个子串即可；c增加hij分支后，能匹配abc、efg、hij中的任意一个。这里re.findall(pattern, string)返回所有满足分支条件的子串列表。

二、用分组限制|的作用域

2. import re
3. a = "abc21efg123hij111"
4. b = re.findall(r"(?:abc|efg)\d+", a)
5. c = re.findall(r'(?:abc|efg|hij)\d+', a)
6. print("b = {}, c = {}".format(b, c))
7. # 输出结果：b = ['abc21', 'efg123'],
8. # c = ['abc21', 'efg123', 'hij111']

复制代码

(?:...)是不捕获分组，findall会返回完整匹配内容。此时|只在分组内生效：b匹配“abc后跟数字”或“efg后跟数字”，c再多一个“hij后跟数字”分支。

如果去掉括号，|的作用域会扩展到整个正则表达式：

2. import re
3. a = "abc21efg123hij111"
4. b = re.findall(r"abc|efg\d+", a)
5. c = re.findall(r'abc|efg|hij\d+', a)
6. print("b = {}, c = {}".format(b, c))
7. # 输出结果：b = ['abc', 'efg123'],
8. # c = ['abc', 'efg', 'hij111']

复制代码

b匹配的是abc分支，或efg\d+分支，而不是(abc|efg)\d+。这说明没有分组时，|不再只约束前面的abc或efg，而是把整个左右两侧拆成备选分支。结果中只有最后一个分支带了数字，正是作用域变化造成的。

三、|与量词组合时的贪婪和非贪婪

2. import re
3. a = "abcefg123efgabchij123efghij111"
4. b = re.findall(r"(?:abc|efg)+", a)
5. c = re.findall(r'(?:abc|efg|hij)+', a)
6. d = re.findall(r"(?:abc|efg)+?", a)
7. e = re.findall(r'(?:abc|efg|hij)+?', a)
8. print("b = {}, c = {}, d = {}, e = {}".
9. format(b, c, d ,e))
10. # 输出结果：b = ['abcefg', 'efgabc', 'efg'],
11. # c = ['abcefg', 'efgabchij', 'efghij'],
12. # d = ['abc', 'efg', 'efg', 'abc', 'efg'], e
13. # = ['abc', 'efg', 'efg', 'abc', 'hij', 'efg', 'hij']

复制代码

在分组外添加+后，量词会作用于整个分组，形成排列组合式的连续匹配。b中的+是贪婪匹配，匹配到abc后还会继续尝试efg，因此能得到abcefg、efgabc等结果；c允许abc、efg、hij三个备选连续出现。d和e在+后加?，变成非贪婪匹配，只匹配分组中的单个备选项即可，所以结果不再合并成连续组合。

如果要匹配固定次数组合，可以用{n}代替+。但固定次数仍可能匹配到abcabc、efgefg这类重复组合。此时可组合负向先行断言过滤重复：

2. import re
3. a = "abcefg|abchij|abcabc|hijhij|efghij|efgefg"
4. b = re.findall(r'''(?x)(?:abc(?!abc)|
5. efg(?!efg)|hij(?!hij)){2}''', a)
6. print("b = {}".
7. format(b))
8. # 输出结果：b = ['abcefg', 'abchij', 'efghij']

复制代码

这里的字符串a中，|只是普通字符分隔符。正则开头的(?x)是详细模式，会忽略正则中的换行、回车、tab和空格，因此模式可以分行书写。abc(?!abc)表示abc后面不能紧跟abc，efg(?!efg)和hij(?!hij)同理，用来过滤abcabc、efgefg、hijhij这类两个相同组合重复出现的情况。最终只保留abcefg、abchij、efghij。

四、字符类中的|是普通字符

2. import re
3. a = "a1|2c2|3\\3"
4. b = re.findall(r'[abc|]\d', a)
5. c = re.findall(r'[abc\|]\d', a)
6. print("b = {}, c = {}".format(b, c))
7. # 输出结果：b = ['a1', '|2', 'c2', '|3'],
8. # c = ['a1', '|2', 'c2', '|3']

复制代码

字符类中的每个字符本来就是“或”的关系，因此|在[abc|]中不再表示逻辑或，而是作为普通字符参与匹配。b和c的结果一致，说明在字符类中给|加反斜杠转义与不加转义效果相同，|都只代表它自身。

五、实践中的检查顺序
当re.findall结果与预期不一致时，可以先检查|是否被括号限制在局部，再检查量词作用于哪一个紧邻前项，以及是否使用了贪婪或非贪婪写法；如果|出现在字符类中，则要意识到它已失去逻辑或含义。这个排查顺序能覆盖本文示例中的主要差异：分支作用域、分组边界、量词组合和字符类语义。