Le chevauchement des correspondances avec finditer() en Python

Question

J'utilise une regex pour faire correspondre les références aux versets de la Bible dans un texte. La regex actuelle est

REF_REGEX = re.compile(''' 
    (?<!\w)      # Not preceded by any words 
    (?P<quote>q(?:uote)?\s+)?  # Match optional 'q' or 'quote' followed by many spaces 
    (?P<book>       
    (?:(?:[1-3]|I{1,3})\s*)?  # Match an optional arabic or roman number between 1 and 3. 
    [A-Za-z]+     # Match any alphabetics 
)\.?       # Followed by an optional dot 
    (?:       
    \s*(?P<chapter>\d+)   # Match the chapter number 
    (?: 
     [:\.](?P<startverse>\d+) # Match the starting verse number, preceded by ':' or '.' 
     (?:-(?P<endverse>\d+))? # Match the optional ending verse number, preceded by '-' 
    )?       # Verse numbers are optional 
) 
    (?: 
    \s+(?:      # Here be spaces 
     (?:from\s+)|(?:in\s+)|(?P<lbrace>\()) # Match 'from[:space:]', 'in[:space:]' or '(' 
     \s*(?P<version>\w+)  # Match a word preceded by optional spaces 
     (?(lbrace)\))    # Close the '(' if found earlier 
)?        # The whole 'in|from|()' is optional 
    ''', re.IGNORECASE | re.VERBOSE | re.UNICODE) 

Cela correspond aux expressions suivantes: fines

"jn 3:16":       (None, 'jn', '3', '16', None, None, None), 
"matt. 18:21-22":     (None, 'matt', '18', '21', '22', None, None), 
"q matt. 18:21-22":     ('q ', 'matt', '18', '21', '22', None, None), 
"QuOTe jn 3:16":      ('QuOTe ', 'jn', '3', '16', None, None, None), 
"q 1co13:1":       ('q ', '1co', '13', '1', None, None, None), 
"q 1 co 13:1":      ('q ', '1 co', '13', '1', None, None, None), 
"quote 1 co 13:1":     ('quote ', '1 co', '13', '1', None, None, None), 
"quote 1co13:1":      ('quote ', '1co', '13', '1', None, None, None), 
"jean 3:18 (PDV)":     (None, 'jean', '3', '18', None, '(', 'PDV'), 
"quote malachie 1.1-2 fRom Colombe": ('quote ', 'malachie', '1', '1', '2', None, 'Colombe'), 
"quote malachie 1.1-2 In Colombe": ('quote ', 'malachie', '1', '1', '2', None, 'Colombe'), 
"cinq jn 3:16 (test)":    (None, 'jn', '3', '16', None, '(', 'test'), 
"Q IIKings5.13-58 from wolof": ('Q  ', 'IIKings', '5', '13', '58', None, 'wolof'), 
"This text is about lv5.4-6 in KJV only": (None, 'lv', '5', '4', '6', None, 'KJV'), 

mais il ne parvient pas à analyser:

"Found in 2 Cor. 5:18-21 (Ministers":     (None, '2 Cor', '5', '18', '21', None, None), 

car elle retourne à la place (None, 'in', '2', None, None, None, None).

Existe-t-il un moyen d'obtenir finditer() pour retourner toutes les correspondances, même si elles se chevauchent, ou existe-t-il un moyen d'améliorer mon regex afin qu'il corresponde correctement à ce dernier bit?

Merci.

Answer 1

Un personnage consommé est consommé, vous ne devriez pas demander au moteur regex de revenir en arrière. Dans vos exemples, la partie du verset (par exemple :1) ne semble pas facultative. Supprimer cela correspondra au dernier bit.

ref_regex = re.compile(''' 
(?<!\w)      # Not preceeded by any words 
((?i)q(?:uote)?\s+)?   # Match 'q' or 'quote' followed by many spaces 
(
    (?:(?:[1-3]|I{1,3})\s*)? # Match an arabic or roman number between 1 and 3. 
    [A-Za-z]+     # Match many alphabetics 
)\.?       # Followed by an optional dot 
(?: 
    \s*(\d+)     # Match the chapter number 
    (?: 
     [:.](\d+)    # Match the verse number 
     (?:-(\d+))?    # Match the ending verse number 
    )     # <-- no '?' here 
) 
(?: 
    \s+ 
    (?: 
     (?i)(?:from\s+)|  # Match the keyword 'from' or 'in' 
     (?:in\s+)| 
     (?P<lbrace>\()  # or stuff between (...) 
    )\s*(\w+) 
    (?(lbrace)\)) 
)? 
''', re.X | re.U) 

(Si vous allez écrire un RegEx gigantesque comme celui-ci, s'il vous plaît utiliser le drapeau /x.)

---

Si vous avez vraiment besoin matchs qui se chevauchent, vous pouvez utiliser un test avant. Un exemple simple est

>>> rx = re.compile('(.)(?=(.))') 
>>> x = rx.finditer("abcdefgh") 
>>> [y.groups() for y in x] 
[('a', 'b'), ('b', 'c'), ('c', 'd'), ('d', 'e'), ('e', 'f'), ('f', 'g'), ('g', 'h')] 

Vous pouvez étendre cette idée à votre RegEx.