在字符串开头，正则表达式没有匹配

Question

我有一连串的as和bs。我想提取所有重叠的子序列，其中一个子序列是由任意数量的b包围的单个a。这是我写的正则表达式：

import re

pattern = """(?=            # inside lookahead for overlapping results
             (?:a|^)        # match at beginning of str or after a
             (b* (?:a) b*)  # one a between any number of bs
             (?:a|$))       # at end of str or before next a
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

它似乎按预期工作，除非字符串中的第一个字符是a，在这种情况下，会丢失以下子序列：

a_between_bs.findall("bbabbba")
# ['bbabbb', 'bbba']
a_between_bs.findall("abbabb")
# ['bbabb']

我不明白发生了什么事。如果我改变潜在匹配的开始顺序，结果也会改变：

pattern = """(?=
             (?:^|a)        # a and ^ swapped
             (b* (?:a) b*)
             (?:a|$))
          """
a_between_bs = re.compile(pattern, re.VERBOSE)

a_between_bs.findall("abbabb")
# ['abb']

我本以为这是对称的，所以以a结尾的字符串也可能会丢失，但事实似乎并非如此。怎么回事？你知道吗

编辑：

我假设上述玩具示例的解决方案将转化为我的全部问题，但事实似乎并非如此，因此我现在正在详细说明（对此表示抱歉）。我试图从转录的单词中提取“音节”。“音节”是元音或双元音，前面和后面有任意数量的辅音。这是我提取它们的正则表达式：

vowels = 'æɑəɛiɪɔuʊʌ'
diphtongues = "|".join(('aj', 'aw', 'ej', 'oj', 'ow'))
consonants = 'θwlmvhpɡŋszbkʃɹdnʒjtðf'

pattern = f"""(?=
          (?:[{vowels}]|^|{diphtongues})
          ([{consonants}]* (?:[{vowels}]|{diphtongues}) [{consonants}]*)
          (?:[{vowels}]|$|{diphtongues})
          )
          """
syllables = re.compile(pattern, re.VERBOSE)

有点棘手的是，双音节以辅音（j或w）结尾，我不想在下一个音节中包含这些辅音。因此，用双负(?<![{consonants}])替换第一个非捕获组是行不通的。我试着用一个正向的lookahead (?<=[{vowels}]|^|{diphtongues})来替换这个组，但是regex不会接受不同的长度（即使删除diphlugues也不起作用，显然^的长度不同）。你知道吗

这就是上述模式的问题所在：

syllables.findall('æbə')
# ['bə'] 
# should be: ['æb', 'bə']

编辑2: 我已经改用regex，它允许可变宽度lookbehinds，这就解决了这个问题。令我惊讶的是，它甚至比标准库中的re模块还要快。不过，我还是想知道如何让这个模块和re模块一起工作。（：

Answer 1

我建议用双重否定来解决这个问题：

(?=         # inside lookahead for overlapping results
 (?<![^a])  # match at beginning of str or after a
 (b*ab*)    # one a between any number of bs
 (?![^a])   # at end of str or before next a
)

参见regex demo

注意我用lookarounds替换了分组结构：(?:a|^)替换为(?<![^a])，(?:a|$)替换为(?![^a])。后者并不重要，但第一个在这里非常重要。你知道吗

外部lookahead模式开头的(?:a|^)与字符串的a或开头匹配，无论哪个先到。如果a在开始处，那么它是匹配的，当输入是abbabb时，您会得到bbabb，因为它匹配捕获组模式，并且后面有一个字符串结束位置。下一次迭代在第一个a之后开始，并且找不到任何匹配项，因为字符串中只剩下的a在b之后没有a

注意order of alternative matters。如果更改为(?:^|a)，则匹配从字符串的开头开始，b*匹配空字符串，ab*获取abbabb中的第一个abb，并且由于紧随其后的是a，因此将abb作为匹配。无法匹配第一个a之后的任何内容。你知道吗

Answer 2

记住python“短路”，所以，如果它匹配“^”，就不会继续查看它是否也匹配“a”。这将“消耗”匹配字符，因此在匹配“a”的情况下，“a”将被消耗并且不可用于下一个要匹配的组，并且因为使用（？）？：）语法是非捕获的，即“a”是“丢失的”，并且不能被下一个分组捕获（b*（？：a）b*），而当第一个分组使用“^”时，第一个“a”将在第二个分组中匹配。你知道吗