在python中提取嵌套正则表达式的所有匹配项答案

【问题标题】：Extracting ALL matches of a nested regular expression in python在python中提取嵌套正则表达式的所有匹配项
【发布时间】：2009-10-27 22:16:53
【问题描述】：

我正在尝试解析满足 python 正则表达式的项目列表

r'\A(("[\w\s]+"|\w+)\s+)*\Z'

也就是说，它是一个空格分隔的列表，除了带引号的字符串中允许有空格。我想获取列表中的项目列表（即与

r'("[\w\s]+"|\w+)'

部分。所以，例如

>>> parse('foo "bar baz" "bob" ')
['foo', '"bar baz"', '"bob"']

有没有什么好的方法可以用 python re 做到这一点？

很多事情都不太行。例如

>>> re.match(r'\A(("[\w\s]+"|\w+)\s+)*\Z', 'foo "bar baz" "bob" ').group(2)
'"bob"'

只返回它匹配的最后一个。另一方面

>>> re.findall(r'("[\w\s]+"|\w+)', 'foo "bar baz" "bob" ')
['foo', '"bar baz"', '"bob"']

但它也接受格式错误的表达式，例如

>>> re.findall(r'("[\w\s]+"|\w+)', 'foo "bar b-&&az" "bob" ')
['foo', 'bar', 'b', 'az', '" "', 'bob']

那么有什么方法可以使用原始正则表达式并获取与第 2 组匹配的所有项目？类似的东西

>>> re.match_multigroup(r'\A(("[\w\s]+"|\w+)\s+)*\Z', 'foo "bar baz" "bob" ').group(2)
['foo', '"bar baz"', '"bob"']
>>> re.match_multigroup(r'("[\w\s]+"|\w+)', 'foo "bar b-&&az" "bob" ')
None

编辑：保留输出中的引号很重要，因此我不想要

>>> re.match_multigroup(r'\A(("[\w\s]+"|\w+)\s+)*\Z', 'foo "bar baz" "bob" ').group(2)
['foo', 'bar baz', 'bob']

因为那时我不知道是否引用了 bob。

【问题讨论】：

标签： python regex parsing

【解决方案1】：

我不认为正则表达式是正确的工具。试试csv 模块：

>>> s = 'foo "bar baz" "bob" '
>>> for i in csv.reader([s], delimiter=' '):
    print(i)


['foo', 'bar baz', 'bob', '']

【讨论】：

感谢您的建议。但是在我的应用程序中，我需要区分被引用的项目和没有被引用的项目，因为这似乎没有这样做。
这个要求的目的是什么？
我正在解析一个规范。规范是两种类型的事物（未引用的事物）和（引用的事物）的列表。它们需要区别对待，因此需要区分。如果您喜欢将 " 替换为 * 或 & 或其他字符，则它只是对第二种类型的事物进行定界。对不起，非标准符号。
你不知道应该从订单中引用哪个吗？
不，它们可以按任何顺序排列。例如： 'foo bob ' 'foo "bob" ' '"foo" bob ' '"foo" "bob" ' 都是应该相互区分的有效输入

【解决方案2】：

这里有一个解决方案，可以拆分不在一对引号内的任何空格：

re.split('\s+(?=[^"]*(?:"[^"]*"[^"]*)*$)', target)

只有在刚刚匹配的空格前面有偶数个引号时，前瞻才会成功。如果文本中的引用部分可以包含转义引号，则可能需要更复杂的正则表达式，具体取决于转义的完成方式。

【讨论】：

哇，这似乎行得通，现在如果我能弄清楚它是如何工作的:)
呃，其实有一个问题，this永远不会拒绝表达式，所以如果target = 'foo"bar baz" "bob"'，它返回['foo"bar baz"', '"鲍勃"']。
我想我可以检查每个输出的格式是否正确，如果不是，则失败。
您的输入真的包含引用和未引用的部分吗？你的例子都没有。
不，不应该。但是有人可能会打错字，所以我想拒绝不符合正则表达式的字符串。因此，我的带引号和不带引号的字符串粘在一起的例子应该被拒绝。同样，应该拒绝像 '&&' 这样的其他表达式，因为它们使用了不允许的字符。您的表达式不会验证输入是否正确，如果输入正确，它只是将它们正确分开。

【解决方案3】：

好的，我最终决定分两步进行。

首先，我检查表达式在语法上是否有效，然后我将其分解为各个部分：

def parse(expr):
    if re.match(r'\A(("[\w\s]+"|\w+)\s+)*\Z', expr):
        return re.findall(r'("[\w\s]+"|\w+)', expr)

所以：

>>> parse('foo "bar baz" "bob" ')
['foo', '"bar baz"', '"bob"']
>>> parse('foo "bar b-&&az" "bob" ')
>>> parse('foo "bar" ')
['foo', '"bar"']
>>> parse('"foo" bar ')
['"foo"', 'bar']
>>> parse('foo"bar baz" "bob" ')
>>> parse('&&')

我大约 90% 确定此方法适用于所有字符串，但如果有人有更通用的解决方案，我仍然会感兴趣，这对我来说似乎有点笨拙。

感谢 SilentGhost 和 Alan Moore 的帮助。我以前不知道 python csv 或正则表达式前瞻，了解这些可能对我有帮助。

【讨论】：