Python re (?=...) (?!...) (?:...) 请路过的回答下谢谢

M0521 2010-03-12 09:26:15

通俗的解释下谢谢！

...全文

1831 4 打赏收藏转发到动态举报

写回复

用AI写文章

4 条回复

切换为时间正序

请发表友善的回复…

发表回复

thy38 2010-03-13

打赏
举报

我看的是《精通正则表达式》，它的术语叫：正向环视、逆向环视。

补充LS没说的：(?:...)是非捕获型括号。

其实LZ看Python的re模块文档就全知道了

M0521 2010-03-13

打赏
举报

谢谢各位的帮助！
我有看Python 文档自己动手写点demo理解的可能快点下面是我自己的写的





print 'begin'

print '找出整数'

#L------------------------------------------------R

search_job(r"(?:[a-z]*)[1-9]+","defg1234abcd1234") #wrong

search_job(r"(?:\d+)","defg1234abcd1234")

search_job(r"(?=[a-z]*)[1-9]+","defg1234abcd1234")

search_job(r"(?![a-z])[1-9]+","defg1234abcd1234")

search_job(r"(?<=-)\d+","deferrr-1234abcd-5678")

search_job(r"(?<!\d)\d+","deferrr-1234abcdxx@@@@-5678")

findall_job(r"(\w+[.](?!bat[\w|\t]+|exe[\w|\t]+)\w+)","simplex.bat pg.batx pen.bat ogoo.exe red.exers mouse.exe kl.exe er")

luotuo512 2010-03-12

打赏
举报

再给你个有例子的链接。
http://liangzhuoyao.blog.51cto.com/808081/167615

luotuo512 2010-03-12

打赏
举报

哈哈哈哈，我今天刚看的这些。
以下是转载的。

零宽度断言

关于零宽度断言有多种叫法，也有叫环视、也有叫预搜索的，我这里采用的是 MSDN 中的叫法，关于零宽度断言有以下几种：

(?= 子表达式 ): 零宽度正预测先行断言。仅当子表达式在此位置的右侧匹配时才继续匹配。例如， 19(?=99) 与跟在 99 前面的 19 实例匹配。

(?! 子表达式 ): 零宽度负预测先行断言。仅当子表达式不在此位置的右侧匹配时才继续匹配。例如， (?!99) 与不以 99 结尾的单词匹配，所以不与 1999 匹配。

(?<= 子表达式 ): 零宽度正回顾后发断言。仅当子表达式在此位置的左侧匹配时才继续匹配。例如， (?<=19)99 与跟在 19 后面的 99 的实例匹配。此构造不会回溯。

(?<! 子表达式 ): 零宽度负回顾后发断言。仅当子表达式不在此位置的左侧匹配时才继续匹配。例如 (?<=19) 与不以 19 开头的单词匹配，所以不与 1999 匹配。

在大模型应用中，'不会提问'已成为制约效能提升的核心瓶颈。Prompt工程本质上是人类思维与机器理解之间的语义对齐过程，其底层逻辑涉及认知外化、指令结构化与约束显性化三大原理。掌握角色锚定、任务切片与约束闭环这三层校准方法，能显著降低AI幻觉率、提升输出可用性，并支撑从单点优化到模板化复用的工程落地。该方法适用于教育、营销、产品、行政等多场景，尤其契合需要高频人机协作的职场实践者——无论你是用AI写周报的运营，还是生成教学话术的教师，只要曾因‘AI没懂我’反复重写，这套经过2300+真实Prompt验证的提

大语言模型幻觉（Hallucination）并非知识错误，而是缺乏事实约束的置信输出，本质是推理过程中的认知边界缺失。其技术根源在于模型对时间、法规、数字等结构化信息缺乏实时校验能力，导致高风险断言频发。通过在提示层、验证层与响应层构建可插拔的‘认知接口’，无需微调或重训模型，即可实现分钟级部署、零GPU开销的幻觉拦截。该方案将幻觉防控从黑箱内部迁移至推理流水线，显著提升金融、政务、客服等强合规场景下的回答可信度与用户二次追问率，是当前基于API快速落地高可靠AI应用的关键工程路径。

大语言模型推理并非黑箱直出，而是依赖结构化思维建模。Chain-of-Thought（思维链）通过线性步骤显化推理路径，提升可解释性与中间验证能力；Tree-of-Thought（思维树）引入分支探索与回溯机制，支撑策略性决策与错误隔离；Graph-of-Thought（思维图）则以动态知识图谱建模多维依赖与循环反馈，适配真实世界的复杂系统。三者分别对应确定性任务、多解试错场景与高阶涌现问题，在数学推理、故障诊断、供应链优化等工程场景中形成梯度化技术选型依据。本文聚焦CoT、ToT、GoT的原理差异、失效边

ECR-ECNform_Tx_Blanking_and_SYSCLK_on_Socket1_Key_E_Pinout_2014_10_19.pdf

源码链接： https://pan.quark.cn/s/a4b39357ea24 在C语言编程环境中，多项式求和是一项常见的编程实践，它融合了数学理论、算法设计以及C语言的基础运用。此类程序可能包含对用户输入的多项式表达式进行解析，进而计算各项的总和。接下来将对这一主题进行深入阐述。多项式在数学领域是一个基础性概念，它由常数、变量及指数通过线性方式组合而成，例如表达式`3x^2 + 2x - 1`。在C语言环境下，我们可以借助数组来表示多项式的各项系数，例如通过定义一个整型数组`int coefficients[] = {3, 2, -1}`来保存表达式`3x^2 + 2x - 1`的系数值。 1. **多项式解析**：解析多项式的过程通常需要从用户处获取输入数据，如表达式`3x^2 + 2x - 1`。在C语言中，可以利用`scanf()`函数来接收用户的输入。解析流程涉及到识别每个项的系数、变量及指数，这可能需要运用到字符串处理函数，例如使用`strtok()`函数来分割字符串，以及通过`atoi()`或`atof()`函数将字符串转换为数值类型。 2. **数据结构构建**：为了高效地处理多项式，可以设计一个结构体用以存储每一项的系数和指数信息。例如： ```c typedef struct { int coefficient; int exponent; } Term; ``` 随后，可以选用链表或数组来存储这些结构体实例，以此来完整表示一个多项式。 3. **求和运算**：求和操作可能包含两个阶段：(1) 对相同指数的项进行系数相加，(2) 将计算结果整合至最终的多项式表达式中。在处理同次幂项时，需要遍历两个多项式，识别出具有相同指数的项...