Python 正則表達式詳解：re.findall 模式匹配原理與優化

解析 re.findall(r"|<[^>]*>|[\w'@#]+", str.lower()) 的匹配邏輯，指出原寫法缺陷，給出優化版本並解釋各組件含義。

原表達式分析

r"|<[^>]*>|[\w'@#]+"

問題： 開頭的 | 導致第一個選項為空字符串，會匹配任意位置的空串，產生大量無意義空結果。

優化後表達式

r"(<[^>]*>|[\w'@#]+)"

用捕獲組 (...) 包裹整體，移除開頭多餘的 |。

組件詳解

執行流程

1. str.lower()：字符串轉小寫
2. re.findall(pattern, string)：掃描字符串，找到所有不重疊匹配
3. 返回捕獲組內容列表（因有捕獲組），若無組則返回整個匹配列表

示例演示

import re

text = "
Hello @user #python
"
pattern = r"(<[^>]*>|[\w'@#]+)"

result = re.findall(pattern, text.lower())
print(result)
# 輸出: ['
', 'hello', '@user', '#python', '
']

常見陷阱與修正

1. 貪婪匹配導致標籤吞噬內容

# 錯誤：<[^>]*> 在 
text
more 中會匹配整個 
text
more
# 修正：非貪婪 <[^>]*?> 或 精確 <[^>]+>
r"(<[^>]*?>|[\w'@#]+)"

2. 未轉義特殊字符

# 在字符類 [] 中，^ - ] \ 需轉義或放安全位置
# 原寫法 [\w'@#] 正確，若加入 ] 需寫 [\w'@#\]] 或 []\w'@#]

3. 原始字符串前綴 r

# 必須使用 r"" 避免 \ 被 Python 字符串轉義
# 否則 \w 會變成無意義的轉義序列

進階：命名捕獲組與 finditer

pattern = r"(?P<[^>]*>)|(?P[\w'@#]+)"
for m in re.finditer(pattern, text.lower()):
    if m.group('tag'):
        print(f"標籤: {m.group('tag')}")
    else:
        print(f"詞元: {m.group('word')}")

性能建議

• 預編譯：pattern = re.compile(r"(<[^>]*>|[\w'@#]+)")
• 大文本用 finditer 迭代器避免一次性構建巨大列表
• 複雜 HTML 解析請用 BeautifulSoup/lxml，正則不適合處理巢狀結構

總結

原表達式開頭多餘的 | 導致空匹配污染結果。優化版 r"(<[^>]*>|[\w'@#]+)" 正確提取 HTML 標籤與特定詞元。實際項目中：預編譯、用原始字符串、複雜結構改用專用解析器。