3

我在尝试理解和改进我在 Python 中使用 REGEX 时遇到了一个有趣的问题

这是一个正则表达式

verbose_signature_pattern_2 = re.compile("""
^            # begin match at new line
\t*          # 0-or-more tab
[ ]*         # 0-or-more blankspaces
S            # capital S
[iI][gG][nN][aA][Tt][uU][rR][eE]
[sS]?        # 0-or-1 S
\s*          # 0-or-more whitespace
[^0-9]       # anything but [0-9]
$            # newline character
""", re.VERBOSE|re.MULTILINE)

当我运行代码时出现错误

""", re.VERBOSE|re.MULTILINE)
  File "C:\Python27\lib\re.py", line 190, in compile
return _compile(pattern, flags)
File "C:\Python27\lib\re.py", line 242, in _compile
raise error, v # invalid expression
error: nothing to repeat

如果我去掉制表符 (\t) 特殊字符上的 0 个或多个限定符，它不会引发错误

我正在尝试查找在其上具有单词 Signature 的某些变体作为该行中的第一个单词的行。我知道我可以使用稍微不同的方法来获得我需要的东西。但是，我想象文档的创建者可能会使用标签将单词大致居中，或者他们可能会使用空格。我不想使用 \s，因为我不想捕获可能在包含单词 Signature 的行之前的所有空行。具体来说，我试图避免捕获所有这些杂物

'\n\n\n\n            Signature    \n

我只想在输出中看到这个

'            Signature    \n

我确实意识到我可以轻松去除多余的换行符，但我正在尝试更准确地理解和做事。有趣的是，以下 REGEX 具有相同的开头，但似乎按预期工作。那就是当这个编译器编译时我没有收到错误，它似乎给了我想要的东西——尽管我仍然需要找到更多的边缘情况。

verbose_item_pattern_2 = re.compile(r"""
^            # begin match at newline
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
I            # a capital I
[tT][eE][mM] # one character from each of the three sets this allows for unknown case
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
\d{1,2}      # 1-or-2 digits
[.]?         # 0-or-1 literal .
\(?          # 0-or-1 literal open paren
[a-e]?       # 0-or-1 letter in the range a-e
\)?          # 0-or-1 closing paren
.*           # any number of unknown characters so we can have words and punctuation
[^0-9]       # anything but [0-9]
$            # 1 newline character
""", re.VERBOSE|re.MULTILINE)
4

1 回答 1

7

第一个字符串不是原始字符串。因此，当 Python 编译字符串时（在它进入正则表达式引擎之前），它会替换所有转义序列。所以\t实际上会变成字符串中的制表符（不是反斜杠-t）。但是您使用的是自由空间模式 ( re.VERBOSE)。因此，空格是微不足道的。您的正则表达式相当于：

^*[ ]*S[iI][gG][nN][aA][Tt][uU][rR][eE][sS]?\s*[^0-9]$

\s保持\s，即使在非原始字符串中，因为它不是 Python 字符串中公认的转义序列。

然后一开始^*就导致了问题，因为你不能重复锚点。

这就是为什么您应该始终使用原始字符串来编写正则表达式。然后\t只是保持反斜杠-t，正则表达式引擎可以将其解释为选项卡。

顺便说一句， in 中的空格[ ]不是问题，因为即使在详细/自由空间模式下，字符类中的空格也很重要。

于 2012-12-13T17:42:16.460 回答