0

我想搜索出现在某个字符串之间的字符串。例如，

\start

\problem{number}
\subproblem{number}

/* strings that I want to get */

\subproblem{number}

/* strings that I want to get */

\problem{number}
\subproblem{number}
       ...
       ...
\end

更具体地说，我想获得问题编号和子问题编号以及答案之间的字符串。

我有点想出这样的表达方式

'(\\problem{(.*?)}\n)? \\subproblem{(.*?)} (.*?) (\\problem|\\subproblem|\\end)'

但它似乎不像我预期的那样工作。这个表达有什么问题？

4

3 回答 3

2

TeX 相当复杂，我不确定使用正则表达式解析它的感受。

也就是说，您的正则表达式有两个问题：

  • 您正在使用一个空格字符，您应该只使用所有空格
  • 您需要为最终组使用前瞻断言，这样它就不会被吃掉（因为下次您需要在正则表达式的开头匹配它）

试试这个：

>>> v
'\\start\n\n\\problem{number}\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\problem{number}\n\\subproblem{number}\n       ...\n       ...\n\\end\n'
>>> re.findall(r'(?:\\problem{(.*?)})?\s*\\subproblem{(.*?)}\s*(.*?)\s*(?=\\problem{|\\subproblem{|\\end)', v, re.DOTALL)
[('number', 'number', '/* strings that I want to get */'), ('', 'number', '/* strings that I want to get */'), ('number', 'number', '...\n       ...')]
于 2013-01-26T01:22:14.327 回答
2

这个：

(?:\\problem\{(.*?)\}\n)?\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)

为我返回三个匹配项：

第一场比赛：

group 1: "number"
group 2: "number"
group 3: "/* strings that I want to get */"

比赛2：

group 1: null
group 2: "number"
group 3: "/* strings that I want to get */"

第 3 场比赛：

group 1: "number"
group 2: "number"
group 3: "       ...\n       ..."

但是，我宁愿分两步解析它。

首先使用以下方法找到问题的编号（第 1 组）和内容（第 2 组）：

\\problem\{(.*?)\}\n(.+?)\\end

然后使用以下方法在该内容中找到子问题的编号（第 1 组）和内容（第 2 组）：

\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)
于 2013-01-26T01:28:32.690 回答
2

如果问题真的是“这个表达式有什么问题？”，答案如下：

  • 您正在尝试将换行符与.*?. 你需要让它(?s)工作。
  • 您在正则表达式的中间有明确的空格和换行符，在源文本中没有任何对应的字符。你需要让它(?x)工作。

这可能不是表达式的全部错误。但只需添加(?sx)，将其转换为原始字符串（因为我不相信自己可以正确混合 Python 引用和正则表达式引用），然后删除\n给我这个：

r'(?sx)(\\problem{(.*?)}? \\subproblem{(.*?)} (.*?)) (\\problem|\\subproblem|\\end)'

这将返回 2 个匹配而不是 0，这可能是对您的正则表达式的最小更改。

但是，如果问题是“我该如何解析这个？”，而不是“我现有的尝试有什么问题？”，我认为 impl 的解决方案更有意义（而且我也同意使用正则表达式解析 TeX 的观点通常一个坏主意）——或者，更好的是，像 Regexident 那样分两步完成。

如果使用正则表达式来解析 TeX 不是一个好主意，那么你会建议用什么方法来解析 TeX？

首先，作为一般的经验法则，如果我不能自己编写正则表达式来解决问题，我不想用正则表达式来解决它，因为我很难弄清楚它从现在开始的几个月。有时我将其分解为子表达式，或者使用(?x)注释并加载它，但通常我会寻找另一种方式。

更重要的是，如果你有一个真正的解析器，它可以使用你的语言并给你一棵树（或任何合适的东西），你可以走动和搜索——例如etreeXML——那么你就有了 90% 的解决方案。你在处理那种语言时会遇到的问题。一个又快又脏的正则表达式（尤其是一个你不能自己写的）只能让你解决下一个问题的 10%。而且通常情况下，如果我今天遇到问题，我会在接下来的几个月内遇到更多问题。

那么，在 Python 中什么是好的 TeX 解析器呢？老实说，我不知道。我知道scipy/matplotlib有一些东西可以做到这一点，所以我可能会先看看那里。除此之外，请查看 Google、PyPI，也许还有 tex.stackexchange.com。搜索中出现的第一件事是Texcaller和plasTeX。我不知道它们有多好，或者它们是否适合您的用例，但是浏览教程并找出答案应该不会花很长时间。

如果事实证明那里什么都没有，而归结为自己写一些东西，例如pyparsing与正则表达式，那么这是一个更艰难的选择。某些语言，很容易只定义您关心的子集，而将其余部分保留为巨大的未解释标记，在这种情况下，真正的解析器将与正则表达式一样简单，因此您不妨这样做。其他语言，你必须处理一半的语法才能做任何有用的事情，所以我什至不会尝试。在决定走哪条路之前，我必须花一点时间来考虑它并尝试两种方式。

于 2013-01-26T01:28:54.147 回答