正则表达式中的嵌套文本

Question

我正在努力使用正则表达式。我无法让我的头脑围绕嵌套在较大文本中的类似文本。或许你能帮我理清思路。

这是一个示例测试字符串：

message msgName { stuff { innerStuff } } \n message mn2 { junk }

我想提取术语（例如，msgName、mn2）以及直到下一条消息之前的内容，以获得这样的列表：

消息名称 { 东西 { innerStuff } 更多东西 } mn2 {垃圾}'

我在过于贪婪或非贪婪地匹配以保留内括号但拆分更高级别的消息时遇到了麻烦。

这是一个程序：

import re
text = 'message msgName { stuff { innerStuff } more stuff } \n message mn2 { junk }'
messagePattern = re.compile('message (.*?) {(.*)}', re.DOTALL)
messageList = messagePattern.findall(text)
print "messages:\n"
count = 0
for message, msgDef in messageList:
    count = count + 1
    print str(count)
    print message
    print msgDef

它产生：

留言： 1 消息名称 东西 { innerStuff } 更多东西 } 消息 mn2 { 垃圾

这是我的下一次尝试，它使内部不贪婪：

import re
text = 'message msgName { stuff { innerStuff } more stuff } \n message mn2 { junk }'
messagePattern = re.compile('message (.*?) {(.*?)}', re.DOTALL)
messageList = messagePattern.findall(text)
print "messages:\n"
count = 0
for message, msgDef in messageList:
    count = count + 1
    print str(count)
    print message
    print msgDef

它产生：

留言： 1 消息名称 东西{innerStuff 2 mn2 垃圾

所以，我输了} more stuff }

我真的遇到了这个问题。有人能指出我正确的方向吗？我无法处理嵌套括号中的文本。关于工作正则表达式的建议或处理嵌套的类似文本的更简单示例会很有帮助。

Answer 1

如果你可以使用PyPi regex module，你可以利用它的子程序调用支持：

>>> import regex
>>> reg = regex.compile(r"(\w+)\s*({(?>[^{}]++|(?2))*})")
>>> s = "message msgName { stuff { innerStuff } } \n message mn2 { junk }"
>>> print(reg.findall(s))
[('msgName', '{ stuff { innerStuff } }'), ('mn2', '{ junk }')]

正则表达式 - (\w+)\s*({(?>[^{}]++|(?2))*}) - 匹配：

• (\w+) - 第 1 组匹配 1 个或多个字母数字/下划线字符
• \s* - 0+ 个空格
• ({(?>[^{}]++|(?2))*}) - 第 2 组匹配 {，后跟非 {} 或另一个平衡的 {...}，由于 (?2) 子例程调用（递归整个第 2 组子模式），0 次或更多次，然后匹配结束}。

如果只有一层嵌套，re 也可以使用

(\w+)\s*{[^{}]*(?:{[^{}]*}[^{}]*)*}

看到这个regex demo

• (\w+) - 第 1 组匹配单词字符
• \s* - 0+ 个空格
• { - 左大括号
• [^{}]* - 除了 { 和 } 之外还有 0+ 个字符
• (?:{[^{}]*}[^{}]*)* - 0+ 个序列：
  • {- 左大括号
  • [^{}]* - 除了 { 和 } 之外还有 0+ 个字符
  • } - 右大括号
  • [^{}]* - 除了 { 和 } 之外还有 0+ 个字符
• } - 右大括号