Python re.findall() 多分组匹配陷阱解析

在编写正则表达式时，开发者常会遇到一些令人困惑的现象，尤其是在表达式包含多个元组（分组）的情况下。本文将深入探讨Python的re模块中findall()函数与多分组正则表达式相遇时可能产生的典型问题。

参考以下代码示例：

import re
str="a b c d"
regex0=re.compile("((\w+)\s+\w+)")
print(regex0.findall(str))
regex1=re.compile("(\w+)\s+\w+")
print(regex1.findall(str))
regex2=re.compile("\w+\s+\w+")
print(regex2.findall(str))

运行结果如下：

[('a b', 'a'), ('c d', 'c')]
['a', 'c']
['a b', 'c d']

上述输出结果可能出乎意料，下面对此进行详细解释。

观察第一个正则表达式，其中包含两个括号（即两个捕获组）。可以看到，其输出结果是一个列表，列表中每个元素都是一个包含两个字符串的元组（tuple）。

对于第二个正则表达式，它仅包含一个括号。此时，输出的内容仅仅是括号内匹配到的部分，而不是整个正则表达式所匹配到的完整字符串。

在第三个正则表达式中，没有任何括号。因此，输出的内容是整个正则表达式所匹配到的完整结果。

结论如下：findall()函数返回的是括号所匹配到的内容。如果存在多个括号（如regex0），它会返回多个括号分别匹配到的结果，以元组形式呈现；如果不存在括号（如regex2），则返回整条语句所匹配到的完整结果。因此，在提取数据时，必须注意这一行为差异，以免出错。

实际上，这并非Python特有的现象，而是正则表达式引擎本身的特性。任何使用正则表达式的高级语言都遵循这一规则：当存在括号时，只能匹配到括号内的内容；当没有括号时（相当于在最外层隐含了一个捕获组），则匹配整个表达式。在正则表达式中，“()”代表分组的概念，一个括号对应一个分组，findall默认只返回分组内的匹配内容。