匹配直到一个替代的未转义字符/序列或换行符答案

【问题标题】：Matching till one of alternative unescaped characters/sequences or a newline匹配直到一个替代的未转义字符/序列或换行符
【发布时间】：2013-09-11 08:48:10
【问题描述】：

我想匹配一个字符串直到一个终端字符/序列，其中：

终端字符/序列不是匹配的一部分。
终端字符/序列是定义的集合之一，比如(',',':', '%%')。
转义的终端字符/模式不充当终止符。
转义的反斜杠将被使用，而不是用于转义后面的字符。
字符串结尾也会终止匹配，即使前面有转义字符。
换行符(LF,CR) 也可以作为终止符，即使前面有转义符。他们也不是比赛的一部分（但如果有的话，最后一个悬空逃生是）。

所以核心问题是：一些终止符序列被转义符中和，而另一些则没有。

这些是一些示例字符串及其所需的匹配结果：字符序列将被视为原始，但我使用<newline> 表示(LF,CR)（即U+000A, U+000D 中的原始换行符）

1: xxx\,aaa,bbb --> xxx\,aaa
2: xxx\\:aaa,bbb --> xxx\\
3: xxx\\\\\,aaa\::bbb --> xxx\\\\\,aaa\: 
4: xxx%%aaa --> xxx
5: xxx\%%aaa --> xxx\%%aaa
6: xxx%\%bbb\ --> xxx%\%bbb\
7: xxx\,aaa<newline>bbb --> xxx\,aaa
8: xxx\,aaa\<newline>bbb --> xxx\,aaa\

9: x\xa\a\,bb\\,bb --> x\xa\a\,bb\\

按照这里关于 SO 的其他一些问题的风格，我设法解决了这个问题：

pat = re.compile(r'.+?(?<!\\)(\\\\)*(?=[:,\n\r]|%%|$)', re.DOTALL|re.UNICODE)

但这并没有涵盖所有规则，它存在转义换行符和转义字符串结尾的问题。

编辑： 反斜杠可以出现在任何字符之前而不会导致不匹配（参见示例 9），只是如果它出现在另一个反斜杠之前，它将抵消其作为转义字符的效果，如果它出现在某些终止符之前，它将抵消其作为终止符的效果。

【问题讨论】：

标签： python regex

【解决方案1】：

这真的很有挑战性。这是我的方法：

import re

l = ['xxx\\,aaa,bbb',
 'xxx\\\\:aaa,bbb',
 'xxx\\\\\\\\\\,aaa\\::bbb',
 'xxx%%aaa',
 'xxx\\%%aaa',
 'xxx%\\%bbb\\',
 'xxx\\,aaa\nbbb',
 'xxx\\,aaa\nbbb',
 r'x\xa\a\,bb\\,bb']

for s in l:
    print('|||| {0} |||| --> {1}'.format(s, re.match(r'((?:(?:(?:\\\\)+|\\(?:,|:|%)|[^\\,:\n]|\\(?:[^\n]|$))(?<![^\\]%%))*)', s).group(0).rstrip('%')))

一些问题：

首先，我不明白你的第六弦。你怎么能有一个反斜杠作为字符串的最后一个字符？这对我来说毫无意义。

其次，我发现很难检查一个双百分号而不逃避其中的任何一个。向后看是没用的，因为我不知道会有多少个反斜杠，也不知道向前看，因为它与它们之前的字符不匹配，所以我使用了一种解决方法，即向后看匹配第一个并使用rstrip() 将其删除。那么这不是一个纯粹的regex（需要后期处理），但这是我的极限。

解释最重要的部分：

(?:\\\\)+ -- 推进每对反斜杠。
\\(?:,|:|%) -- 推进任何被转义的字符集。
[^\\,:\n] -- 一般规则，任何字符，但对这种情况有特殊含义的字符。
(?<![^\\]%%) -- 找到一对未转义的 % 时停止。
\\(?:[^\n]|$) -- 匹配后跟非特殊字符或 EOL 的反斜杠。

我将原始字符串放在管道之间以注意换行符。可能它与您的示例中的所有可能性都不匹配，但我希望您明白这一点。前面的脚本产生：

|||| xxx\,aaa,bbb |||| --> xxx\,aaa
|||| xxx\\:aaa,bbb |||| --> xxx\\
|||| xxx\\\\\,aaa\::bbb |||| --> xxx\\\\\,aaa\:
|||| xxx%%aaa |||| --> xxx
|||| xxx\%%aaa |||| --> xxx\%%aaa
|||| xxx%\%bbb\ |||| --> xxx%\%bbb\
|||| xxx\,aaa
bbb |||| --> xxx\,aaa
|||| xxx\,aaa
bbb |||| --> xxx\,aaa
|||| x\xa\a\,bb\\,bb |||| --> x\xa\a\,bb\\

【讨论】：

re number 6：这只是一个反斜杠，假设您正在从文件中读取 - 没有看到问题。
@BaselShishani：但文字反斜杠也必须转义，正如您在第二个或第三个示例中所写的那样。
可以与任何字符一起使用，但具有中和某些终止符或后面的反斜杠的效果。查看我的编辑 - 谢谢。
@BaselShishani：用你的第九个案例更新了答案。

【解决方案2】：

操作：

找到了一个简单的方法：枚举所有法律案例而不是试图匹配终结符：

import re

pat = re.compile(r'([^,:\n\r%\\]|\\[^\n\r]|%(?!%)|\\(?=\n|\r|$))*', re.DOTALL)

patver = re.compile(r'''(
[^,:\n\r%\\]  | # generic: consume any non-special char
\\[^\n\r]     | # consume any escaped char - enc '%' and backslash
%(?!%)        | # two successive '%', no need for lookbehind because of previous term 
\\(?=\n|\r|$) | # dangling backslash
)*''', re.DOTALL|re.VERBOSE)

l = [r'xxx\,aaa,bbb',
 r'xxx\\:aaa,bbb',
 r'xxx\\\\\,aaa\::bbb',
 r'xxx%%aaa',
 r'xxx\%%aaa',
 'xxx%\\%bbb\\',
 'xxx\\,aaa\nbbb',
 'xxx\\,aaa\\\nbbb',
 r'x\xa\a\,bb\\,bb',
 r'xxx\\%%bbb',
 r'xxx\%%%bbb',
     ]

for s in l:
    print('|||| {0} |||| --> {1}'.format(s, re.match(pat, s).group(0)))

这种方法不适用于长终止序列。

【讨论】：