re.findall（ '（ab | cd）'、string）とre.findall（ '（ab | cd）+'、string）

Pythonの正規表現で、この特異な問題に遭遇しました。re.findall('(ab|cd)', string)との違いについて教えてくださいre.findall('(ab|cd)+', string)。

import re

string = 'abcdla'
result = re.findall('(ab|cd)', string)
result2 = re.findall('(ab|cd)+', string)
print(result)
print(result2)

実際の出力は次のとおりです。

['ab', 'cd']
['cd']

2番目の結果にも含ま'ab'れていないのはなぜですか。

+1回以上一致する繰り返し数量詞です。正規表現では(ab|cd)+、+を使用してキャプチャグループ (ab|cd)を繰り返します。これは最後の反復のみをキャプチャします。

この動作は、次のように推論できます。

文字列がでabcdla、正規表現がだとし(ab|cd)+ます。Regexエンジンは、位置0と1の間のグループの一致を見つけab、キャプチャグループを終了します。次に、+量指定子が表示されるため、グループを再度キャプチャしようとしcd、位置2と3の間をキャプチャします。

すべての反復をキャプチャする場合は、代わりに((ab|cd)+)which とを使用して、繰り返しグループをキャプチャする必要がabcdありcdます。私たちが持つ内部グループの試合を気にしないよう、あなたは、内側のグループ非キャプチャすることができます((?:ab|cd)+)一致abcd

https://www.regular-expressions.info/captureall.html

ドキュメントから

!abc!またはのようなタグに一致させたいとしましょう!123!。これら2つだけが可能であり、をキャプチャしabcたり123、取得したタグを把握したりします。それは十分に簡単です：!(abc|123)!トリックを行います。

今度は、タグは、複数の配列を含むことができることをしましょうabcと 123、似!abc123!たり!123abcabc!。迅速かつ簡単なソリューションは !(abc|123)+!です。この正規表現は実際にこれらのタグに一致します。ただし、タグのラベルをキャプチャグループにキャプチャするという要件を満たしていません。この正規表現が一致する!abc123!と、キャプチャグループは保存のみを行い123ます。一致する場合は!123abcabc!、格納のみabcです。

これでさらに問題が解決するかどうかはわかりませんが、簡単にフードの下で何が起こるか想像してみましょう。マッチを使用して何が起こるかを要約します。

   # group(0) return the matched string the captured groups are returned in groups or you can access them
   # using group(1), group(2).......  in your case there is only one group, one group will capture only 
   # one part so when you do this
   string = 'abcdla'
   print(re.match('(ab|cd)', string).group(0))  # only 'ab' is matched and the group will capture 'ab'
   print(re.match('(ab|cd)+', string).group(0)) # this will match 'abcd'  the group will capture only this part 'cd' the last iteration

findall文字列を一致させて同時に消費するこのREGEXで何が起こるか想像してみましょう'(ab|cd)'：

      'abcdabla' ---> 1:   match: 'ab' |  capture : ab  | left to process:  'cdabla'
      'cdabla'   ---> 2:   match: 'cd' |  capture : cd  | left to process:  'abla'
      'abla'     ---> 3:   match: 'ab' |  capture : ab  | left to process:  'la'
      'la'       ---> 4:   match: '' |  capture : None  | left to process:  ''

      --- final : result captured ['ab', 'cd', 'ab']  

今と同じこと '(ab|cd)+'

      'abcdabla' ---> 1:   match: 'abcdab' |  capture : 'ab'  | left to process:  'la'
      'la'       ---> 2:   match: '' |  capture : None  | left to process:  ''
      ---> final result :   ['ab']  

これで問題が少し解消されるといいのですが。

だから、私にとって混乱した部分は、

パターンに1つ以上のグループが存在する場合は、グループのリストを返します。

docs

完全一致ではなく、キャプチャの一致のみが返されます。このグループをキャプチャしないようにすると(re.findall('(?:ab|cd)+', string)、["abcd"]最初に期待したとおりに戻ります