Python正则表达式编译

Question

编写以下行的程序员可能使用名为 regex 的 python 包.

UNIT = regex.compile("(?:{A}(?:'{A})?)++|-+|\S".format(A='\p{Word_Break=ALetter}'))

有人可以帮忙解释一下 A='\p{Word_Break=ALetter}' 和 -+ 的含义吗？

Answer 1

\p{property=value} 运算符匹配 unicode 代码点属性，并记录在您链接到的包索引页面上:

• Unicode codepoint properties, including scripts and blocks

  \p{property=value}; \P{property=value}; \p{value} ; \P{value}
  

该条目与代码点具有 Word_Break property 的任何 unicode 字符匹配值为 ALetter(Unicode 代码点数据库中当前有 24941 个匹配项，有关详细信息，请参阅 Unicode Text Segmentation, Word Boundaries chapter specifiation)。

您给出的示例也使用标准 python string formatting将部分表达式插入正在编译的正则表达式中。 “{A}”部分只是要填充的 .format(A='...') 部分的占位符。最终结果是:

"(?:\p{Word_Break=ALetter}(?:'\p{Word_Break=ALetter})?)++|-+|\S"

-+ 序列只匹配 1 个或多个 - 破折号，就像在 python re 模块表达式中一样，它没有什么特别的，真的。

现在，++ 之前 更有趣。这是possessive quantifier ，并且使用它可以防止正则表达式匹配器尝试模式的所有可能的排列。这是一种性能优化，可以防止 catastrophic backtracking问题。