我似乎记得 DotNet 中的正则表达式有一种特殊的机制,可以正确匹配嵌套结构,例如“ ( (a ( ( c ) b ) ) ( d ) e )
”中的分组。
此功能的 python 等效项是什么?这可以通过一些解决方法使用正则表达式来实现吗?(虽然这似乎是当前的正则表达式实现不是为这种问题而设计的)
我似乎记得 DotNet 中的正则表达式有一种特殊的机制,可以正确匹配嵌套结构,例如“ ( (a ( ( c ) b ) ) ( d ) e )
”中的分组。
此功能的 python 等效项是什么?这可以通过一些解决方法使用正则表达式来实现吗?(虽然这似乎是当前的正则表达式实现不是为这种问题而设计的)
正则表达式无法解析嵌套结构。根据定义,嵌套结构不是规则的。它们不能用正则文法构造,也不能用有限状态自动机解析(正则表达式可以看作是 FSA 的简写符号)。
今天的“正则表达式”引擎有时支持一些有限的“嵌套”结构,但从技术角度来看,它们不应再被称为“常规”。
您通常无法使用 Python 正则表达式来执行此操作。(.NET 正则表达式已经扩展了“平衡组”,这允许嵌套匹配。)
然而,PyParsing 对这种类型的东西来说是一个非常好的包:
from pyparsing import nestedExpr
data = "( (a ( ( c ) b ) ) ( d ) e )"
print nestedExpr().parseString(data).asList()
输出是:
[[['a', [['c'], 'b']], ['d'], 'e']]
更多关于 PyParsing:
编辑: falsetru 的嵌套解析器,我稍作修改以接受任意正则表达式模式来指定分隔符和项目分隔符,比我原来的re.Scanner
解决方案更快更简单:
import re
def parse_nested(text, left=r'[(]', right=r'[)]', sep=r','):
""" https://stackoverflow.com/a/17141899/190597 (falsetru) """
pat = r'({}|{}|{})'.format(left, right, sep)
tokens = re.split(pat, text)
stack = [[]]
for x in tokens:
if not x or re.match(sep, x):
continue
if re.match(left, x):
# Nest a new list inside the current list
current = []
stack[-1].append(current)
stack.append(current)
elif re.match(right, x):
stack.pop()
if not stack:
raise ValueError('error: opening bracket is missing')
else:
stack[-1].append(x)
if len(stack) > 1:
print(stack)
raise ValueError('error: closing bracket is missing')
return stack.pop()
text = "a {{c1::group {{c2::containing::HINT}} a few}} {{c3::words}} or three"
print(parse_nested(text, r'\s*{{', r'}}\s*'))
产量
['a', ['c1::group', ['c2::containing::HINT'], 'a few'], ['c3::words'], 'or three']
嵌套结构不能单独与 Python 正则表达式匹配,但使用re.Scanner构建基本解析器(可以处理嵌套结构)非常容易:
import re
class Node(list):
def __init__(self, parent=None):
self.parent = parent
class NestedParser(object):
def __init__(self, left='\(', right='\)'):
self.scanner = re.Scanner([
(left, self.left),
(right, self.right),
(r"\s+", None),
(".+?(?=(%s|%s|$))" % (right, left), self.other),
])
self.result = Node()
self.current = self.result
def parse(self, content):
self.scanner.scan(content)
return self.result
def left(self, scanner, token):
new = Node(self.current)
self.current.append(new)
self.current = new
def right(self, scanner, token):
self.current = self.current.parent
def other(self, scanner, token):
self.current.append(token.strip())
它可以这样使用:
p = NestedParser()
print(p.parse("((a+b)*(c-d))"))
# [[['a+b'], '*', ['c-d']]]
p = NestedParser()
print(p.parse("( (a ( ( c ) b ) ) ( d ) e )"))
# [[['a', [['c'], 'b']], ['d'], 'e']]
默认情况下NestedParser
匹配嵌套括号。您可以传递其他正则表达式来匹配其他嵌套模式,例如括号、[]
. 例如,
p = NestedParser('\[', '\]')
result = (p.parse("Lorem ipsum dolor sit amet [@a xxx yyy [@b xxx yyy [@c xxx yyy]]] lorem ipsum sit amet"))
# ['Lorem ipsum dolor sit amet', ['@a xxx yyy', ['@b xxx yyy', ['@c xxx yyy']]],
# 'lorem ipsum sit amet']
p = NestedParser('<foo>', '</foo>')
print(p.parse("<foo>BAR<foo>BAZ</foo></foo>"))
# [['BAR', ['BAZ']]]
当然,pyparsing
可以做的比上面的代码还多。但是对于这个单一的目的,NestedParser
对于小字符串,上面的速度大约快 5 倍:
In [27]: import pyparsing as pp
In [28]: data = "( (a ( ( c ) b ) ) ( d ) e )"
In [32]: %timeit pp.nestedExpr().parseString(data).asList()
1000 loops, best of 3: 1.09 ms per loop
In [33]: %timeit NestedParser().parse(data)
1000 loops, best of 3: 234 us per loop
对于较大的字符串,大约快 28 倍:
In [44]: %timeit pp.nestedExpr().parseString('({})'.format(data*10000)).asList()
1 loops, best of 3: 8.27 s per loop
In [45]: %timeit NestedParser().parse('({})'.format(data*10000))
1 loops, best of 3: 297 ms per loop
Python 不支持正则表达式中的递归。因此,在 Python 中无法立即实现 .NET 的平衡组或 Perl 中的 PCRE 正则表达式。
就像您自己说的那样:这不是您真正应该使用单个正则表达式解决的问题。
我建议从正则表达式本身中删除嵌套,循环遍历结果并对其执行正则表达式。
你说的是递归吗?从你的问题看不清楚。一个例子:
ActivePython 2.6.1.1 (ActiveState Software Inc.) based on
Python 2.6.1 (r261:67515, Dec 5 2008, 13:58:38) [MSC v.1500 32 bit (Intel)] on
win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> p = re.compile(r"((\w+((\d+)[.;]))(\s+)\d)")
>>> m = p.match("Fred99. \t9")
>>> m
<_sre.SRE_Match object at 0x00454F80>
>>> m.groups()
('Fred99. \t9', 'Fred99.', '9.', '9', ' \t')
这显示了嵌套组的匹配。组的编号取决于它们的左括号在模式中出现的顺序。