python - 最后一场比赛结束的 anchor

Question

正在处理 this answer我偶然发现了 Python 的重复正则表达式异常。

假设我得到一个 CSV 字符串，其中包含任意数量的带引号和不带引号的元素:

21, 2, '23.5R25 ETADT', 'description, with a comma'

我想用 '\t' 替换所有 ',' 的外部引号。所以我想要一个输出:

21\t2\t'23.5R25 ETADT'\t'description, with a comma'

由于字符串中自然会有多个匹配项，因此我将使用 g 正则表达式修饰符。我将使用的正则表达式将匹配引号外的字符或后跟 ',' 的引号字符串:

('[^']*'|[^',]*),\s*

我将替换为:

\1\t

现在的问题是正则表达式是搜索而不是匹配，所以它可以选择跳过字符直到它可以匹配。所以我得到的不是我想要的输出:

21\t2\t'23.5R25 ETADT'\t'description\twith a comma'

您可以在此处查看此行为的实例:https://regex101.com/r/sG9hT3/2

问。有没有一种方法可以锚定 g 修改后的正则表达式以在上一个匹配项之后的字符处开始匹配？

---

对于那些熟悉 Perl 强大的正则表达式的人来说，Perl 提供了 \G .这允许我们检索最后一个匹配位置的结尾。所以在 Perl 中我可以用正则表达式完成我所要求的:

\G('[^']*'|[^',]*),\s*

这会在最终引用的元素中造成不匹配。因为不是让正则表达式实现找到正则表达式与 \G 匹配的点，而是强制它从 第一个 字符开始匹配:

'description, with a comma'

Answer 1

您可以将以下正则表达式与 re.search 一起使用:

,?\s*([^',]*(?:'[^']*'[^',]*)*)

参见 regex demo (我将其更改为 ,?[ ]*([^',\n]*(?:'[^'\n]*'[^',\n]*)*) 因为这是一个多行演示)

在这里，正则表达式匹配(在单词的正则表达式含义中)...

• ,? - 1 或 0 个逗号
• \s* - 0 个或更多空格
• ([^',]*(?:'[^']*'[^',]*)*) - 第 1 组存储捕获的文本，包含...
  • [^',]* - 除了 , 和 '
  之外的 0 个或多个字符
  • (?:'[^']*'[^',]*)* - 0 个或多个 ...
    • '[^']*' - 类似 'string' 的不包含撇号的子字符串
    • [^',]* - 除了 , 和 ' 之外的 0 个或多个字符。

如果您想使用 re.match 并将捕获的文本存储在捕获组中，这是不可能的，因为 Python 正则表达式引擎不会像 .NET 正则表达式引擎那样将所有捕获存储在堆栈中与 CaptureCollection 一起执行。

此外，Python 正则表达式不支持 \G 运算符，因此您不能在此处成功匹配的末尾锚定任何子模式。

作为替代方案/解决方法，您可以使用以下 Python 代码返回连续的匹配项，然后返回字符串的其余部分:

import re

def successive_matches(pattern,text,pos=0):
  ptrn = re.compile(pattern)
  match = ptrn.match(text,pos)
  while match:
    yield match.group()
    if match.end() == pos:
      break
    pos = match.end()
    match = ptrn.match(text,pos)
  if pos < len(text) - 1:
    yield text[pos:]

for matched_text in successive_matches(r"('[^']*'|[^',]*),\s*","21, 2, '23.5R25 ETADT', 'description, with a comma'"):
    print matched_text

参见 IDEONE demo ，输出为

21, 
2, 
'23.5R25 ETADT', 
'description, with a comma'