python - 错误: nothing to repeat mean in this traceback from a compiled Python regex是什么意思

Question

我有一个有趣的问题正在尝试理解和改进我在 Python 中对 REGEX 的使用

这是一个正则表达式

verbose_signature_pattern_2 = re.compile("""
^            # begin match at new line
\t*          # 0-or-more tab
[ ]*         # 0-or-more blankspaces
S            # capital S
[iI][gG][nN][aA][Tt][uU][rR][eE]
[sS]?        # 0-or-1 S
\s*          # 0-or-more whitespace
[^0-9]       # anything but [0-9]
$            # newline character
""", re.VERBOSE|re.MULTILINE)

当我运行代码时出现错误

""", re.VERBOSE|re.MULTILINE)
  File "C:\Python27\lib\re.py", line 190, in compile
return _compile(pattern, flags)
File "C:\Python27\lib\re.py", line 242, in _compile
raise error, v # invalid expression
error: nothing to repeat

如果我去掉选项卡 (\t) 特殊字符上的 0 或更多限定符，它不会抛出错误

我正在尝试查找将单词 Signature 的某些变体作为行中第一个单词的行。我知道我可以使用稍微不同的方法来获得我需要的东西。但是，我想文档的创建者可能会通过制表符使单词大致居中，或者他们可能会使用空格。我不想使用\s，因为我不想捕获可能位于带有 Signature 一词的行之前的所有空行。具体来说，我试图避免捕获所有这些垃圾

'\n\n\n\n            Signature    \n

我只想在输出中看到这个

'            Signature    \n

我确实意识到我可以轻松去除多余的换行符，但我正在尝试更准确地理解和做事。有趣的是，以下 REGEX 具有相同的开始，但它似乎按预期工作。那就是当这个编译时我没有收到错误，它似乎给了我我想要的东西——尽管我仍然需要找到更多的边缘情况。

verbose_item_pattern_2 = re.compile(r"""
^            # begin match at newline
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
I            # a capital I
[tT][eE][mM] # one character from each of the three sets this allows for unknown case
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
\d{1,2}      # 1-or-2 digits
[.]?         # 0-or-1 literal .
\(?          # 0-or-1 literal open paren
[a-e]?       # 0-or-1 letter in the range a-e
\)?          # 0-or-1 closing paren
.*           # any number of unknown characters so we can have words and punctuation
[^0-9]       # anything but [0-9]
$            # 1 newline character
""", re.VERBOSE|re.MULTILINE)

Answer 1

第一个字符串不是原始字符串。因此，当 Python 编译字符串时(在它进入正则表达式引擎之前)，它会替换所有转义序列。所以 \t 实际上会变成字符串中的制表符(不是反斜杠-t)。但是您正在使用自由空间模式 (re.VERBOSE)。因此空格是微不足道的。您的正则表达式相当于:

^*[ ]*S[iI][gG][nN][aA][Tt][uU][rR][eE][sS]?\s*[^0-9]$

\s 保留为 \s，即使在非原始字符串中也是如此，因为它不是 Python 字符串中可识别的转义序列。

然后就在开头 ^* 导致了问题，因为您不能重复 anchor 。

这就是为什么您应该始终使用原始字符串来编写正则表达式的原因。然后 \t 只保留反斜杠-t，正则表达式引擎可以将其解释为制表符。

顺便说一句，[ ] 中的空格不是问题，因为即使在冗长/自由空格模式下，字符类中的空格也很重要。