Question

我想匹配一个字符串直到终端字符/序列，其中：

终端字符/序列不是匹配项的一部分。
终端字符/序列是已定义的集合之一，例如(',',':', '%%')。
转义的终端字符/模式不作为终结符。
将使用转义反斜杠，而不是用于转义后续字符。
字符串的结尾也会终止匹配，即使前面有转义字符。
换行符(LF,CR)也可以作为终结符，即使前面有转义字符。他们也不是比赛的一部分（但最后悬挂的逃脱，如果有的话）。

所以核心问题是：一些终结者序列被其他人没有的逃逸中和。

这些是一些示例字符串及其所需的匹配结果：字符序列应该被视为原始的，但我使用<newline>作为(LF,CR)（即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上的其他一些问题的风格，我设法达到了这个目的：

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

但是这并未涵盖所有规则，它存在转义换行符和转义字符串结尾的问题。

修改反斜杠可以在任何字符之前发生而不会导致不匹配（参见示例9），只是如果它发生在另一个反斜杠之前，它会中和它作为转义字符的效果，如果它在某些终结符之前发生，它会中和它们作为终止符的效果。

Answer 1

这真的很有挑战性。在这里我的方法：

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，我不明白你的第六个字符串。如何将单个反斜杠作为字符串的最后一个字符？对我来说没有任何意义。

其次，我发现很难检查双百分号，而没有任何逃脱。后视是没用的，因为我不知道会有多少反斜杠，也不会前瞻，因为它与它们之前的角色不匹配，所以我使用了一个解决方法，它与第一个相匹配然后使用rstrip()将其删除。然后它不是纯regex（需要后期处理），但这是我的限制。

解释最重要的部分：

(?:\\\\)+ - 推进每对反斜杠。
\\(?:,|:|%) - 推进您转义的任何字符集。
[^\\,:\n] - 一般规则，任何字符，但对本案具有特殊意义的字符。
(?<![^\\]%%) - 找到非转义的%对时停止。
\\(?:[^\n]|$) - 匹配反斜杠后跟非特殊字符或EOL。

我将原始字符串放在管道之间以记下换行符。可能它并不符合你的例子中的所有可能性，但我希望你能得到这个想法。上一个脚本产生：

|||| 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\\

Answer 2

<强> OP：

找到一个简单的方法：枚举所有法律案例，而不是尝试匹配终结符：

import re

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

patver = re.compile(r'''(
[^,:\n\r%\\]  | # generic: consume any non-special char
\\[^\n\r]     | # consume any escaped char - enc '%' and backslash
%(?!%)        | # two successive '%', no need for lookbehind because of previous term 
\\(?=\n|\r|$) | # dangling backslash
)*''', re.DOTALL|re.VERBOSE)

l = [r'xxx\,aaa,bbb',
 r'xxx\\:aaa,bbb',
 r'xxx\\\\\,aaa\::bbb',
 r'xxx%%aaa',
 r'xxx\%%aaa',
 'xxx%\\%bbb\\',
 'xxx\\,aaa\nbbb',
 'xxx\\,aaa\\\nbbb',
 r'x\xa\a\,bb\\,bb',
 r'xxx\\%%bbb',
 r'xxx\%%%bbb',
     ]

for s in l:
    print('|||| {0} |||| --> {1}'.format(s, re.match(pat, s).group(0)))

这种方法对于长终止子序列是不实际的。

匹配直到替代未转义的字符/序列或换行符之一

2 个答案: