为什么这不是固定的宽度模式？

Question

我正在尝试正确地分割英语句子,我想出了下面的邪恶正则表达式:

(?<!\d|([A-Z]\.)|(\.[a-z]\.)|(\.\.\.)|etc\.|[Pp]rof\.|[Dd]r\.|[Mm]rs\.|[Mm]s\.|[Mm]z\.|[Mm]me\.)(?<=([\.!?])|(?<=([\.!?][\'\"])))[\s]+?(?=[\S])'

问题是,Python不断引发以下错误:

Traceback (most recent call last):
  File "", line 1, in 
  File "sp.py", line 55, in analyze
    self.sentences = re.split(god_awful_regex, self.inputstr.strip())
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/re.py", line 165, in split
    return _compile(pattern, 0).split(string, maxsplit)
  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/re.py", line 243, in _compile
    raise error, v # invalid expression
sre_constants.error: look-behind requires fixed-width pattern

为什么这不是有效的固定宽度正则表达式？我没有使用任何重复字符(*或+),只是|.

---

编辑 @Anomie解决了这个问题 - 非常感谢!不幸的是,我不能使新的表达平衡:

(?<!(\d))(?<![A-Z]\.)(?<!\.[a-z]\.)(?<!(\.\.\.))(?<!etc\.)(?<![Pp]rof\.)(?<![Dd]r\.)(?<![Mm]rs\.)(?<![Mm]s\.)(?<![Mm]z\.)(?<![Mm]me\.)(?:(?<=[\.!?])|(?<=[\.!?][\'\"\]))[\s]+?(?=[\S])

就是我现在拥有的.但是(的匹配数量是('s',但是:

>>> god_awful_regex = r'''(?<!(\d))(?<![A-Z]\.)(?<!\.[a-z]\.)(?<!(\.\.\.))(?<!etc\.)(?<![Pp]rof\.)(?<![Dd]r\.)(?<![Mm]rs\.)(?<![Mm]s\.)(?<![Mm]z\.)(?<![Mm]me\.)(?:(?<=[\.!?])|(?<=[\.!?][\'\"\]))[\s]+?(?=[\S])'''
>>> god_awful_regex.count('(')
17
>>> god_awful_regex.count(')')
17
>>> god_awful_regex.count('[')
13
>>> god_awful_regex.count(']')
13

还有什么想法吗？

Answer 1

考虑这个子表达式:

(?<=([\.!?])|(?<=([\.!?][\'\"])))

|的左侧 是一个字符,而正确的大小是零.您在较大的负面后视中也有同样的问题,它可能是1,2,3,4或5个字符.

从逻辑上讲,负面的后视(?<!A|B|C)应该相当于一系列的后视(?<!A)(?<!B)(?<!C).积极的背后(?<=A|B|C)应该相当于(?:(?<=A)|(?<=B)|(?<=C)).