13

我不明白 python 正则表达式中的 scape 运算符 \ 以及原始字符串的 r' 的功能逻辑。一些帮助表示赞赏。

代码：

import re
text=' esto  .es  10  . er - 12 .23 with [  and.Other ] here is more ; puntuation'
print('text0=',text)
text1 = re.sub(r'(\s+)([;:\.\-])', r'\2', text)
text2 = re.sub(r'\s+\.', '\.', text)
text3 = re.sub(r'\s+\.', r'\.', text)
print('text1=',text1)
print('text2=',text2)
print('text3=',text3)

该理论说：反斜杠字符（'\'）表示特殊形式或允许使用特殊字符而不调用它们的特殊含义。

并且就本问题末尾提供的链接解释而言，r' 表示原始字符串，即符号没有特殊含义，它保持不变。

所以在上面的正则表达式中，我希望 text2 和 text3 是不同的，因为替换文本是 '.' 在文本 2 中，即一个句点，而（原则上）文本 3 中的替换文本是 r'。这是一个原始字符串，即应该出现的字符串、反斜杠和句点。但它们的结果是一样的：

结果是：

text0=  esto  .es  10  . er - 12 .23 with [  and.Other ] here is more ; puntuation
text1=  esto.es  10. er- 12.23 with [  and.Other ] here is more; puntuation
text2=  esto\.es  10\. er - 12\.23 with [  and.Other ] here is more ; puntuation
text3=  esto\.es  10\. er - 12\.23 with [  and.Other ] here is more ; puntuation
#text2=text3 but substitutions are not the same r'\.' vs '\.'

在我看来，r' 在替换部分和反斜杠中的工作方式不同。另一方面，我的直觉告诉我我在这里遗漏了一些东西。

编辑 1：遵循@Wiktor Stribiżew 评论。他指出（按照他的链接）：

import re
print(re.sub(r'(.)(.)(.)(.)(.)(.)', 'a\6b', '123456'))
print(re.sub(r'(.)(.)(.)(.)(.)(.)', r'a\6b', '123456'))
# in my example the substitutions were not the same and the result were equal
# here indeed r' changes the results

这使：

ab
a6b

这让我更加困惑。

注意：我阅读了这个关于原始字符串的堆栈溢出问题，它非常完整。尽管如此，它并没有谈到替代品

4

3 回答 3

7

首先也是最重要的，

replacement patterns ≠ regular expression patterns

我们使用正则表达式模式来搜索匹配项，我们使用替换模式来替换用正则表达式找到的匹配项。

注意：替换模式中唯一的特殊字符是反斜杠、\. 只有反斜杠必须加倍。

Python中的替换模式语法

re.sub文档令人困惑，因为他们提到了可用于替换模式（如\n, \r）和正则表达式转义序列（\6）的字符串转义序列以及可用作正则表达式和字符串转义序列（\&）的字符串。

我使用术语regex 转义序列来表示由文字反斜杠 + 一个字符组成的转义序列，即'\\X'or r'\X'，以及一个字符串转义序列来表示一个序列\和一个 char 或一些序列，它们一起形成一个有效的字符串转义序列。它们仅在常规字符串文字中被识别。在原始字符串文字中，您只能转义"（这就是您不能以 结束原始字符串文字的原因\"，但反冲仍然是字符串的一部分）。

因此，在替换模式中，您可以使用反向引用：

re.sub(r'\D(\d)\D', r'\1', 'a1b')    # => 1
re.sub(r'\D(\d)\D', '\\1', 'a1b')    # => 1
re.sub(r'\D(\d)\D', '\g<1>', 'a1b')  # => 1
re.sub(r'\D(\d)\D', r'\g<1>', 'a1b') # => 1

您可能会看到r'\1'和'\\1'是相同的替换模式，\1. 如果你使用'\1'，它将被解析为一个字符串转义序列，一个八进制值的字符001。如果您忘记使用r带有明确反向引用的前缀，则没有问题，因为\g不是有效的字符串转义序列，并且\转义字符仍保留在字符串中。阅读我链接到的文档：

与标准 C 不同，所有无法识别的转义序列都保留在字符串中，即，反斜杠保留在结果中。

因此，当您'\.'作为替换字符串传递时，您实际上发送\.了两个字符组合作为替换字符串，这就是您获得\.结果的原因。

\是 Python 替换模式中的一个特殊字符

如果您使用，您将获得与和案例re.sub(r'\s+\.', r'\\.', text)中相同的结果，请参阅此演示。text2text3

发生这种情况是因为\\，两个文字反斜杠表示替换模式中的单个反斜杠。如果您的正则表达式模式中没有第 2 组，但将r'\2'替换传递给实际替换为\和2char 组合，则会出现错误。

因此，当您有动态的、用户定义的替换模式时，您需要将替换模式中的所有反斜杠加倍，这些反斜杠旨在作为文字字符串传递：

re.sub(some_regex, some_replacement.replace('\\', '\\\\'), input_string)
于 2019-06-10T10:19:49.633 回答
2

解决所有这些字符串转义问题的一种简单方法是使用函数/lambda 作为repl参数，而不是字符串。例如：

output = re.sub(
    pattern=find_pattern,
    repl=lambda _: replacement,
    string=input,
)

替换字符串根本不会被解析，只是替换匹配。

于 2021-11-14T13:37:20.487 回答
1

来自文档（我的重点）：

re.sub(pattern, repl, string, count=0, flags=0) 返回通过替换repl替换字符串中最左边不重叠的pattern获得的字符串。如果未找到该模式，则字符串原封不动地返回。repl 可以是字符串或函数；如果它是一个字符串，则处理其中的任何反斜杠转义。也就是说，\n 转换为单个换行符，\r 转换为回车符，等等。ASCII 字母的未知转义保留供将来使用并视为错误。其他未知的转义例如 \& 被单独留下。反向引用，例如 \6，被替换为模式中第 6 组匹配的子字符串。

repl参数不仅仅是纯文本。它也可以是函数的名称或引用组中的位置（例如\g<quote>、\g<1>、\1）。

另外，从这里：

与标准 C 不同，所有无法识别的转义序列都保留在字符串中，即，反斜杠保留在结果中。

由于.不是特殊的转义字符，'\.'因此与r'\.\.

于 2019-06-10T09:33:25.530 回答