为什么正则表达式量词 {n,} 比 + （在 Python 中）更贪婪？

Question

我尝试使用正则表达式来查找由重复的双字母形成的最大长度序列，例如AABBstring 中的xAAABBBBy。

正如官方文档中所述：

、'*'、'+'和'?'量词都是贪婪的；它们匹配尽可能多的文本。

当我使用量词时{n,}，我得到一个完整的子字符串，但+仅返回部分：

import re

print(re.findall("((AA|BB){3,})", "xAAABBBBy"))
# [('AABBBB', 'BB')]
print(re.findall("((AA|BB)+)", "xAAABBBBy"))
# [('AA', 'AA'), ('BBBB', 'BB')]

为什么{n,}比 更贪婪+？

Answer 1

量词{3,}和+都是贪婪的。

\n

首先，让我们通过将内部组更改为非捕获组来稍微简化输出：

\n

import re\n\nprint(re.findall("((?:AA|BB){3,})", "xAAABBBBy"))\n# ['AABBBB']\nprint(re.findall("((?:AA|BB)+)", "xAAABBBBy"))\n# ['AA', 'BBBB']\n

\n

第一个模式需要重复（出现的总数至少为 3 \xe2\x80\x93 让我们称此多重性 \xe2\x89\xa53），因此唯一可能的匹配从第二个开始A：

\n

\n

x A\xe2\x9f\xa8 A A B B B B\xe2\x9f\xa9y

\n

\n

第二种模式仅需要重数 \xe2\x89\xa51。当从左到右扫描字符串时，第一个（最左边）可能的贪婪匹配由前两个As 形成。对于剩余的字符串ABBBBy，第一个（最左边）可能的贪婪匹配是BBBB。之后就y只剩下无法匹配的了。

\n

\n

x\xe2\x9f\xa8 A A\xe2 A\x9f\xa9 B B B B\xe2\x9f\xa8 \xe2\x9f\xa9y

\n

\n