正则表达式?: ?= ?! 的用法详解

文章目录

  • [1. ?: 用法](#1. ?: 用法)
  • [2. ?= 用法](#2. ?= 用法)
  • [3. ?! 用法](#3. ?! 用法)
  • [4. 总结](#4. 总结)

正则表达式中使用的 ?:?=?! 是三种不同的正则表达式语法,它们分别代表非捕获组、正向前瞻断言和负向前瞻断言。

1. ?: 用法

(?:...) 是一种非捕获组(non-capturing group)的语法。它用于将一部分正则表达式括在一起,但不将该部分作为单独的捕获组。这意味着即使匹配了这部分表达式,也不会在结果中创建新的捕获组。

正则表达式中的捕获组(capture group)是使用圆括号 () 包围的一部分表达式。这些捕获组在匹配到的字符串中标记了特定的部分,并将其保存起来以供稍后使用。

如果还不清楚什么是捕获组,下面给一个例子就清楚了:

python 复制代码
import re

pattern = r'a(.*)test'
text = 'This is a good test.'

match = re.search(pattern, text)
if match:
    print("Found word:", match.groups())
# 输出
# Found word: (' good ',)

在这个示例中,(.*) 是一个捕获组,用于将atest 中间的字符提取出来。

知道了捕获组,那么非捕获组也能猜出来了。有时你可能只想将表达式括在一起,但不想保存匹配结果。在这种情况下,可以使用非捕获组 (?: ...)

示例:

python 复制代码
import re

pattern = r'(?:abc)def'
text = 'abcdef'

match = re.search(pattern, text)
if match:
    print("Match found")

在这个示例中,(?:abc) 是一个非捕获组,它将 abcdef 组合在一起进行匹配,但不会作为单独的捕获组。

2. ?= 用法

?= 是正向前瞻断言(positive lookahead assertion)。它用于匹配某个子表达式后的位置,但不包含匹配到的子表达式在最终的结果中。前瞻断言用来确保某一部分的匹配被后续某一部分的条件匹配。

示例:

python 复制代码
import re

pattern = r'abc(?=def)'
text = '.x abcdef123'
text2 = '.x abc1def123'

match = re.search(pattern, text)
if match:
    print("Match found:", match.group())
# 输出
# Match found: abc

match = re.search(pattern, text2)
if not match:
    print("Match not found")
# 输出
# Match not found

在这个示例中,abc(?=def) 使用了正向前瞻断言。它将匹配 abc 后面跟着 def 的部分。在 abcdef 中,它匹配了 abc,因为 abc 后面是 def

3. ?! 用法

?! 是负向前瞻断言(negative lookahead assertion)。它用于确保某个子表达式不匹配之后的位置,而不包含匹配到的子表达式在最终的结果中。

用法示例:

python 复制代码
import re

pattern = r'abc(?!def)'
text = 'abcxyz'
text2 = 'abcdef'

match = re.search(pattern, text)
if match:
    print("Match found:", match.group())
# 输出
# Match found: abc

match = re.search(pattern, text2)
if not match:
    print("Match not found")
# 输出
# Match not found

在这个示例中,abc(?!def) 使用了负向前瞻断言。它将匹配 abc 后面不跟着 def 的部分。在 abcxyz 中,它匹配了 abc,因为 abc 后面没有 def

4. 总结

  • (?:...) 是非捕获组,不会捕获组内的匹配结果。
  • ?= 是正向前瞻断言,确保匹配后的位置满足条件。
  • ?! 是负向前瞻断言,确保匹配后的位置不满足条件。
相关推荐
IT古董28 分钟前
第四章:大模型(LLM)】06.langchain原理-(3)LangChain Prompt 用法
java·人工智能·python
fantasy_arch5 小时前
pytorch例子计算两张图相似度
人工智能·pytorch·python
WBluuue7 小时前
数学建模:智能优化算法
python·机器学习·数学建模·爬山算法·启发式算法·聚类·模拟退火算法
赴3357 小时前
矿物分类案列 (一)六种方法对数据的填充
人工智能·python·机器学习·分类·数据挖掘·sklearn·矿物分类
大模型真好玩7 小时前
一文深度解析OpenAI近期发布系列大模型:意欲一统大模型江湖?
人工智能·python·mcp
RPA+AI十二工作室7 小时前
亚马逊店铺绩效巡检_影刀RPA源码解读
chrome·python·rpa·影刀
小艳加油8 小时前
Python机器学习与深度学习;Transformer模型/注意力机制/目标检测/语义分割/图神经网络/强化学习/生成式模型/自监督学习/物理信息神经网络等
python·深度学习·机器学习·transformer
学行库小秘10 小时前
ANN神经网络回归预测模型
人工智能·python·深度学习·神经网络·算法·机器学习·回归
Yn31210 小时前
在 Python 中使用 json 模块的完整指南
开发语言·python·json
秋难降10 小时前
线段树的深度解析(最长递增子序列类解题步骤)
数据结构·python·算法