python - re.scanner 只搜索字符串的开头

Question

我刚刚了解到 re.Scanner同时寻找方法来解析一系列在定义上可能有点灵活的行。它看起来(不知道它的意思)就像它正是我想要的，但我遇到了问题。

我定义我的扫描仪:

scanner = re.Scanner([
    (r"([0-9]+(?:\ h|h))",    lambda scanner,token:("HOURS", token)),
    ])

results, remainder = scanner.scan(line)

它应该能够在提供的字符串中找到类似“1h”或“1 h”的内容。但是，这仅在小时位于字符串开头时才有效。

传入:

1 h words words words
bla 2 h words words

只有第一个条目被解析为一个小时。在无法阅读 Scanner 的情况下，我认为它能够在提供的字符串中的任何位置找到匹配项，但看起来它只是在开头。它似乎也忽略了许多标准的正则表达式控件(例如 () 用于捕获和 (?:) 用于非捕获。

我应该找别的地方吗？使用一个看起来不会进入 Python 正式版本的类是不是一个坏主意？

Answer 1

Scanner.scan 确实从行首开始，并且要求它的每一位都匹配某种模式。 scan 方法在没有任何模式匹配的第一个点停止，字符串的其余部分作为 remainder 返回。

如果你想跳过任何不匹配的东西，就放

(r'.', lambda scanner, token: None),

在模式/函数列表的末尾。

---

Scanner 类已经在标准库中存在多年了(at least as far back as 2003)，只是没有文档记录(还没有？)。

我认为您不必担心它会很快消失。即使它消失了，Scanner 类的定义也很短并且是 right here .

---

import re
line = '''\
1 h words words words
bla 2 h words words
'''

scanner = re.Scanner([
    (r"([0-9]+(?:\ h|h))",    lambda scanner, token: ("HOURS", token)),
    (r'.', lambda scanner, token: None),
    ], flags=re.DOTALL)

results, remainder = scanner.scan(line)
print(results)

产量

[('HOURS', '1 h'), ('HOURS', '2 h')]