Python 如何限制正则表达式结果？

我试图从一个巨大的JSON文件中提取推文，我的正则表达式生成了太多的数据，我一辈子都不知道如何限制它。正则表达式找到了它的目的，但它也标记了太多

我正在使用的正则表达式如下所示（可能比需要的复杂，但我不想在这里修复）：

下面是JSON文件中的截断行，它生成了太多的数据，例如：

{"contributors": null, "truncated": false, "text": "RT @BelloPromotions: Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica #musicanu\u2026", "is_quote_status": false, "in_reply_to_status_id": null, "id": 1099558111000506369, "favorite_count": 0, "entities": {"symbols": [], "user_mentions": [{"id": 943461023293542400, "indices": [3, 19], "id_str": "943461023293542400", "screen_name": "BelloPromotions", "name": "Bello Promotions \ud83d\udcc8\ud83d\udcb0"}, {"id": 729572008909000704, "indices": [60, 71], "id_str": "729572008909000704", "screen_name": "MykeTowers", "name": "Towers Myke"}, {"id": 775866464, "indices": [92, 99], "id_str": "775866464", "screen_name": "mariah", "name": "Kenzie peretti"}], "hashtags": [{"indices": [72, 83], "text": "myketowers"}, {"indices": [84, 91], "text": "mariah"}, {"indices": [100, 114], "text": "Desaparecemos"}, {"indices": [115, 121], "text": "music"}, {"indices": [122, 129], "text": "musica"}], "urls": []}, "retweeted": false, "coordinates": null, "source": "<a href=\"http://twitter-dummy-auth.herokuapp.com/\" rel=\"nofollow\">Music Twr Suggesting</a>", "in_reply_to_screen_name": null, "in_reply_to_user_id": null, "retweet_count": 18, "id_str": "1099558111000506369", "favorited": false, "retweeted_status": {"contributors": null, "truncated": true, "text": "Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica\u2026 [link]", .......

如上所述，发布的JSON行的正则表达式的预期输出为：

Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica\u2026 [link]

最终写入我的文本文件的是：

myketowers
Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica\u2026 [link]

如何限制正则表达式结果

在我简单回答这个问题之前，我应该澄清为什么当前表达式会产生一个不想要的结果：在子表达式

（？：“contributors”：.*？，“truncated”：.*？，“text”：”）

中，最后一个

*？

，尽管它不贪婪，但与所有输入匹配

false, "text": "RT @BelloPromotions: Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica #musicanu\u2026", "is_quote_status": false, "in_reply_to_status_id": null, "id": 1099558111000506369, "favorite_count": 0, "entities": {"symbols": [], "user_mentions": [{"id": 943461023293542400, "indices": [3, 19], "id_str": "943461023293542400", "screen_name": "BelloPromotions", "name": "Bello Promotions \ud83d\udcc8\ud83d\udcb0"}, {"id": 729572008909000704, "indices": [60, 71], "id_str": "729572008909000704", "screen_name": "MykeTowers", "name": "Towers Myke"}, {"id": 775866464, "indices": [92, 99], "id_str": "775866464", "screen_name": "mariah", "name": "Kenzie peretti"}], "hashtags": [{"indices": [72, 83]

i、 e.第一个

“截断”之后的所有内容：

直到下一个

，“文本”：

，它不会被下面的

“RT…”排除，即不需要的
“myketowers”
之前的内容

因此，为了阻止表达式匹配所有输入，我们不能简单地允许每个字符（
）在
“截断的”：
和
，“文本”：
，而只能是那些构成可能值的字符
false
和
true
，或者为了简单起见，只能是单词字符（
\w
）；因此，将上述子表达式更改为
（？：“参与者”：....，“被截断的”：\w*，“文本”：”）

如何限制正则表达式结果

在我简单回答这个问题之前，我应该澄清为什么当前表达式会产生一个不想要的结果：在子表达式
（？：“contributors”：.*？，“truncated”：.*？，“text”：”）
中，最后一个
*？
，尽管它不贪婪，但与所有输入匹配

false, "text": "RT @BelloPromotions: Myke Towers Ft. Mariah - Desaparecemos\n@myketowers #myketowers #mariah @mariah #Desaparecemos #music #musica #musicanu\u2026", "is_quote_status": false, "in_reply_to_status_id": null, "id": 1099558111000506369, "favorite_count": 0, "entities": {"symbols": [], "user_mentions": [{"id": 943461023293542400, "indices": [3, 19], "id_str": "943461023293542400", "screen_name": "BelloPromotions", "name": "Bello Promotions \ud83d\udcc8\ud83d\udcb0"}, {"id": 729572008909000704, "indices": [60, 71], "id_str": "729572008909000704", "screen_name": "MykeTowers", "name": "Towers Myke"}, {"id": 775866464, "indices": [92, 99], "id_str": "775866464", "screen_name": "mariah", "name": "Kenzie peretti"}], "hashtags": [{"indices": [72, 83]

i、 e.第一个
“截断”之后的所有内容：
直到下一个
，“文本”：
，它不会被下面的
“RT…”排除，即不需要的
“myketowers”
之前的内容

因此，为了阻止表达式匹配所有输入，我们不能简单地允许每个字符（
）在
“截断的”：
和
，“文本”：
，而只能是那些构成可能值的字符
false
和
true
，或者为了简单起见，只能是单词字符（
\w
）；因此，将上述子表达式更改为
（？：“contributors”：..*，“truncated”：\w*，“text”：”）
就如其他人在注释中所述，您可能应该使用JSON解析器并从中获取它

然而，如果您的输入不是JSON（或者一次性将其全部拉入内存是不可行的），那么您应该对正则表达式进行一些调整

首先（也是同样，正如其他人已经指出的），
*？
只是“非贪婪”的意思，即它将找到最短的匹配；如果有匹配，它仍然会找到匹配。我猜您可以将其调整为

(?:[^"\\]+\\.)*)[^"\\]*

仅获取不包含未转换双引号的字符串

第二，我猜您希望
[^R][^T]
会跳过开头包含
RT
的匹配；但这不是它的意思。它会跳过包含一个非R字符后跟一个非T字符的匹配。因此它也不会匹配
at
或
Re

在Python（通常与PCRE兼容）正则表达式中，表示“必须不匹配”的方式是一种消极的前瞻
（？！RT）

把这一切放在一起，试试看

pattern = re.compile(r'(?:"contributors": "(?:[^"\\]+\\.)*)[^"\\]*",'
    r' "truncated": "(?:[^"\\]+\\.)*)[^"\\]*",'
    r' "text": ")((?!RT)(?:[^"\\]+\\.)*)[^"\\]*)"')

请理解，我不得不在这里的几个地方猜测或阅读字里行间的信息。如果你能更新你的问题，准确地解释你的数据是什么样的，以及你希望逻辑应该如何工作，这可能会得到改进，或者至少是调整，以达到你真正想要的效果。
正如其他人在评论中所评论的那样，你应该支持bably可能会使用JSON解析器，并从中获取它

然而，如果您的输入不是JSON（或者一次性将其全部拉入内存是不可行的），那么您应该对正则表达式进行一些调整

首先（也是同样，正如其他人已经指出的），
*？
只是“非贪婪”的意思，即它将找到最短的匹配；如果有匹配，它仍然会找到匹配。我猜您可以将其调整为

(?:[^"\\]+\\.)*)[^"\\]*

仅获取不包含未转换双引号的字符串

第二，我猜您希望
[^R][^T]
会跳过开头包含
RT
的匹配；但这不是它的意思。它会跳过包含一个非R字符后跟一个非T字符的匹配。因此它也不会匹配
at
或
Re

在Python（通常与PCRE兼容）正则表达式中，表示“必须不匹配”的方式是一种消极的前瞻
（？！RT）

把这一切放在一起，试试看

pattern = re.compile(r'(?:"contributors": "(?:[^"\\]+\\.)*)[^"\\]*",'
    r' "truncated": "(?:[^"\\]+\\.)*)[^"\\]*",'
    r' "text": ")((?!RT)(?:[^"\\]+\\.)*)[^"\\]*)"')

请理解，我不得不在这里的几个地方猜测或阅读字里行间的内容。如果你能更新你的问题，准确地解释你的数据是什么样子，以及你希望逻辑应该如何工作，这可能会得到改进，或者至少可以调整，以达到你真正想要的效果。
当我尝试时，正则表达式似乎找不到任何垫子你的输出看起来像是嵌套的组，但是我不能用正则表达式来复制它。我不会使用正则表达式。考虑你的巨大文件无限：一个流。现在你可以把你的文件解析成JSON流。我已经在C语言中这样做了，但是Python也应该有可用的答案。从这里开始：好POIN。t：如果你确实有结构良好的JSON数据，为什么要使用正则表达式呢？只需使用
JSON
加载文件并获取内容即可