用regexp的lookahead寻找符合pattern A但不符合pattern B的字串

　　偶而会需要找内含字串 A 但不含字串 B 的字串, 若刚好得用 regexp 表示的话, 会有点麻烦 (像是用 Android logcat filter 的时候)。查了一下, 发现 regular expression 有个强大的语法叫作 lookaround, 用它可相对容易地达到此需求, 还可以应付各种情况。详见 Regex Lookarounds: Lookahead and Lookbehind 的介绍。关键在于 lookaround 的语法只是从「目前的位置」往前或往后「看看是否符合目标 pattern」,不会实际占去符合的字串。看文件的例子会比较好理解。

　　以下是用 Python RE 比对「内含 abc 但 abc 之后不含 def 的字串」:　　

In [70]: re.search('(?!.*def)abc', 'abcdef') 

　　(?!.*def)abc 的意思是每一个位置都做以下的事:

　　先往后找看看有没有符合 .*def, 找不到才算成立。(?!...) 的意思是 negative lookahead

　　negative lookahead 成立后, 看看目前位置是否能找到 abc

　　反之, 下面这个写法是错的, 比对 abcdef 仍会有结果:

In [69]: re.search('(?!def)abc', 'abcdef') 
 
Out[69]: <_sre.SRE_Match at 0x2f2fd98> 

　　因为它的意思是在目前位置看看是否不符合 def, 于是一开始比对 abc 时就成立了, 然后再比对成功 abc, 于是回传比对成功的结果。

　　(?!.*def)abc 看起来很美好, 但它无法避开 defabc, 也就是 abc 之前有 def 的情况。虽然有 lookbehind 的语法, 但它只能比对固定长度的 pattern, 无法应付 xxxdefxxxabc, 所以得换个方式表示。

　　regex - Regular expression to match string not containing a word? 说明如何用 regexp 表示不含目标字串的字串, 并有图解说明运作的过程。了解之后, 可运用同样的技巧表示「内含 abc 但 abc 之前不含 def 的字串」:　　

In [145]: re.search('^((?!def).)*abc', 'defabc') 

　　(?!def) 检查目前位置是否不含 def

　　(?!def). 注意多加了一个 '.', 表示检查完后占去一个字元

　　((?!def).)* 比对 0 到多个符合 (?!def). 的字元

　　利用 regexp greedy 的特性, pattern 3 会尽可能占去符合这个的字元, 于是 ^((?!def.)*abc 就会比对出「内含 abc 但 abc 之前不含 def 的字串」。

　　再和一开始用的 lookahead 合在一起, 就能表示「内含 abc 但不含 def 的字串了」:

 

In [147]: re.search('^((?!def).)*(?!.*def)abc', 'abcdef') 
 
In [148]: re.search('^((?!def).)*(?!.*def)abc', 'defabc') 
 
In [149]: re.search('^((?!def).)*(?!.*def)abc', 'abc') 
 
Out[149]: <_sre.SRE_Match at 0x2f2de40> 
 
In [150]: re.search('^((?!def).)*(?!.*def)abc', 'xxxabcxdefxx') 
 
In [151]: re.search('^((?!def).)*(?!.*def)abc', 'xdefxxabcxxx') 
 
In [152]: 

　　就算一时之间无法消化也无所谓, 记得关键字 lookaround, lookahead, lookbehind, 之后比较方便找 regexp 进阶用法。每次找 regexp 的说明, 都会学到新东西, 真是博大精深的表示法。

　　2014-07-07日经网友 weiyu 提醒, 移动 abc 到中间效率会比较好, 以下是程式和测试结果:　　

$ cat a.py 
 
　　import re 
 
　　import time 
 
　　begin = time.time() 
 
　　pattern = re.compile('^((?!def).)*(?!.*def)abc') 
 
　　for i in xrange(1000000): 
 
　　pattern.search('xxxxxxabcxxxxxx') 
 
　　pattern.search('xxxdefxxxabcxxxxxx') 
 
　　pattern.search('xxxxxxabcxxxdefxxx') 
 
　　print time.time() - begin 
 
　　begin = time.time() 
 
　　pattern = re.compile('^((?!def).)*abc(?!.*def)') 
 
　　for i in xrange(1000000): 
 
　　pattern.search('xxxxxxabcxxxxxx') 
 
　　pattern.search('xxxdefxxxabcxxxxxx') 
 
　　pattern.search('xxxxxxabcxxxdefxxx') 
 
　　print time.time() - begin 
 
　　$ python a.py 
 
　　4.64261507988 
 
　　3.08146381378