python - 匹配直到可选的未转义字符/序列之一或换行符

Question

我想匹配一个字符串直到一个终端字符/序列，其中:

• 终止字符/序列不是匹配项的一部分。
• 终端字符/序列是定义的集合之一，比方说(',',':', '%%') .
• 转义的终端字符/模式不作为终止符。
• 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也是如此。
• 换行符 (LF,CR)也充当终止符，即使前面有转义字符。它们也不是匹配的一部分(但如果有的话，最后一个悬空逃逸是)。

所以核心问题是:一些终止符序列被转义中和，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的，但我正在使用 <newline>对于 (LF,CR) (即对于 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 SO 上其他一些问题的风格，我设法做到了这一点:

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

但这并没有涵盖所有规则，它在转义换行符和转义字符串结尾方面存在问题。

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，它会抵消它作为转义字符的作用，如果它出现在某些终止符之前，它会抵消它们作为终止符的作用。

Answer 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。如何将单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，我发现很难在不转义任何一个的情况下检查双百分号。后视是无用的，因为我不知道会有多少个反斜杠，也不知道前视，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，即与第一个匹配的后视对并用 rstrip() 删除它.那么它就不是一个纯粹的regex (需要后期处理)但这是我的极限。

最重要部分的解释:

1. (?:\\\\)+ -- 推进每对反斜杠。
2. \\(?:,|:|%) -- 推进任何被转义的字符集。
3. [^\\,:\n] -- 一般规则，除了对这种情况有特殊意义的字符之外的任何字符。
4. (?<![^\\]%%) -- 当找到一对非转义的 % 时停止.
5. \\(?:[^\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记录换行符。可能它与您的示例中的所有可能性都不匹配，但我希望您能理解。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\\