以特殊字符开头或结尾的单词的单词边界会产生意想不到的结果

Question

假设我想匹配短语Sortes\index[persons]{Sortes}中短语的存在test Sortes\index[persons]{Sortes} text。

使用 pythonre我可以做到这一点：

>>> search = re.escape('Sortes\index[persons]{Sortes}')
>>> match = 'test Sortes\index[persons]{Sortes} text'
>>> re.search(search, match)
<_sre.SRE_Match object; span=(5, 34), match='Sortes\\index[persons]{Sortes}'>

这有效，但我想避免搜索模式Sortes对短语给出肯定的结果test Sortes\index[persons]{Sortes} text。

>>> re.search(re.escape('Sortes'), match)
<_sre.SRE_Match object; span=(5, 11), match='Sortes'>

所以我使用\b模式，像这样：

search = r'\b' + re.escape('Sortes\index[persons]{Sortes}') + r'\b'
match = 'test Sortes\index[persons]{Sortes} text'
re.search(search, match)

现在，我没有得到匹配。

如果搜索模式不包含任何字符[]{}，则它有效。例如：

>>> re.search(r'\b' + re.escape('Sortes\index') + r'\b', 'test Sortes\index test')
<_sre.SRE_Match object; span=(5, 17), match='Sortes\\index'>

另外，如果我删除 final r'\b'，它也可以工作：

re.search(r'\b' + re.escape('Sortes\index[persons]{Sortes}'), 'test Sortes\index[persons]{Sortes} test')
<_sre.SRE_Match object; span=(5, 34), match='Sortes\\index[persons]{Sortes}'>

此外，文档说\b

请注意，形式上，\b 被定义为 \w 和 \W 字符之间（或反之亦然），或 \w 和字符串开头/结尾之间的边界。

所以，我想替换最后\b有(\W|$)：

>>> re.search(r'\b' + re.escape('Sortes\index[persons]{Sortes}') + '(\W|$)', 'test Sortes\index[persons]{Sortes} test')
<_sre.SRE_Match object; span=(5, 35), match='Sortes\\index[persons]{Sortes} '>

瞧，它有效！这里发生了什么？我错过了什么？

Answer 1

查看单词边界匹配的内容：

词边界可以出现在以下三个位置之一：

• 在字符串中的第一个字符之前，如果第一个字符是单词字符。
• 在字符串的最后一个字符之后，如果最后一个字符是单词字符。
• 在字符串中的两个字符之间，其中一个是单词字符，另一个不是单词字符。

在您的模式中，}\b只有在}（字母、数字或_）之后有一个单词 char 时才匹配。

当您使用时，(\W|$)您需要明确地使用非单词或字符串结尾。

在这些情况下，我总是建议基于负面环视的明确词边界：

re.search(r'(?<!\w){}(?!\w)'.format(re.escape('Sortes\index[persons]{Sortes}')), 'test Sortes\index[persons]{Sortes} test')

在这里，(?<!\w)如果当前位置的左边有一个单词 char ，则负向后视将失败匹配，如果当前位置的右边有一个单词 char，则(?!\w)负向前瞻将匹配失败。

实际上，进一步自定义这些环视模式很容易（例如，仅当模式周围有字母时才使匹配失败，使用[^\W\d_]代替\w，或者如果您只允许在空格周围进行匹配，则使用(?<!\S)/(?!\S)环视边界）。