这可能是一个已经解决的问题,但我想不通。我有两个较大的整数,我们称它们为 start_number
和 end_number
(它们代表一个连续的电话号码 block )。其他数字(表示为字符串)将输入到我的系统中,我需要使用正则表达式将其与“范围正则表达式”相匹配,以查看数字字符串是否落在 start_number
和 之间或之间>end_number
.
例如:
start_number = 99519000
end_number = 99519099
因此
expression = "^995190[0-9][0-9]$"
以便我最终可以匹配以下示例数字(一次一个到达我的系统,并且可能随时到达):
"99519000"
<- 匹配"99519055"
<- 匹配"99519099"
<- 匹配“99519100”
<- 不匹配“99512210”
<- 不匹配"41234123"
<- 不匹配
在给定任何合理的start_number
和end_number
的情况下,如何使用 python 创建正则表达式字符串模式“expression
”>?我有几个开始/结束数字“ block ”,我必须为其创建正则表达式模式,我只需要一种以编程方式制作这些模式的方法。
可以公平地假设:
Start_number
将始终小于end_number
- 始终为正整数。
- 在我的例子中,
start_number
和end_number
将始终具有相同的“长度”(即,当表示为字符串),如果它会让生活更轻松的话。
编辑:为清楚起见
最佳答案
[假设你需要这个,因为它是一些需要正则表达式的奇怪的第 3 方系统]
新方法
我越想 Frederik 的评论,就越同意。正则表达式引擎应该能够将其编译成紧凑的 DFA,即使输入字符串很长。对于许多情况,以下是一个明智的解决方案:
import re
def regexp(lo, hi):
fmt = '%%0%dd' % len(str(hi))
return re.compile('(%s)' % '|'.join(fmt % i for i in range(lo, hi+1)))
(它适用于下面测试中的所有数字范围,包括 99519000 - 99519099。粗略的粗略计算表明 9 位数字大约是 1GB 内存的极限。如果大多数数字那个尺寸是匹配的;如果只有几个匹配,你可以买大得多。)。
旧方法
[再次更新以提供更短的结果——除了合并偶尔出现的 \d\d
之外,它与手动生成的一样好]
假设所有数字的长度都相同(即,如果需要,您可以在左侧填充零),这是可行的:
import re
def alt(*args):
'''format regexp alternatives'''
if len(args) == 1: return args[0]
else: return '(%s)' % '|'.join(args)
def replace(s, c):
'''replace all characters in a string with a different character'''
return ''.join(map(lambda x: c, s))
def repeat(s, n):
'''format a regexp repeat'''
if n == 0: return ''
elif n == 1: return s
else: return '%s{%d}' % (s, n)
def digits(lo, hi):
'''format a regexp digit range'''
if lo == 0 and hi == 9: return r'\d'
elif lo == hi: return str(lo)
else: return '[%d-%d]' % (lo, hi)
def trace(f):
'''for debugging'''
def wrapped(lo, hi):
result = f(lo, hi)
print(lo, hi, result)
return result
return wrapped
#@trace # uncomment to get calls traced to stdout (explains recursion when bug hunting)
def regexp(lo, hi):
'''generate a regexp that matches integers from lo to hi only.
assumes that inputs are zero-padded to the length of hi (like phone numbers).
you probably want to surround with ^ and $ before using.'''
assert lo <= hi
assert lo >= 0
slo, shi = str(lo), str(hi)
# zero-pad to same length
while len(slo) < len(shi): slo = '0' + slo
# first digits and length
l, h, n = int(slo[0]), int(shi[0]), len(slo)
if l == h:
# extract common prefix
common = ''
while slo and slo[0] == shi[0]:
common += slo[0]
slo, shi = slo[1:], shi[1:]
if slo: return common + regexp(int(slo), int(shi))
else: return common
else:
# the core of the routine.
# split into 'complete blocks' like 200-599 and 'edge cases' like 123-199
# and handle each separately.
# are these complete blocks?
xlo = slo[1:] == replace(slo[1:], '0')
xhi = shi[1:] == replace(shi[1:], '9')
# edges of possible complete blocks
mlo = int(slo[0] + replace(slo[1:], '9'))
mhi = int(shi[0] + replace(shi[1:], '0'))
if xlo:
if xhi:
# complete block on both sides
# this is where single digits are finally handled, too.
return digits(l, h) + repeat('\d', n-1)
else:
# complete block to mhi, plus extra on hi side
prefix = '' if l or h-1 else '0'
return alt(prefix + regexp(lo, mhi-1), regexp(mhi, hi))
else:
prefix = '' if l else '0'
if xhi:
# complete block on hi side plus extra on lo
return alt(prefix + regexp(lo, mlo), regexp(mlo+1, hi))
else:
# neither side complete, so add extra on both sides
# (and maybe a complete block in the middle, if room)
if mlo + 1 == mhi:
return alt(prefix + regexp(lo, mlo), regexp(mhi, hi))
else:
return alt(prefix + regexp(lo, mlo), regexp(mlo+1, mhi-1), regexp(mhi, hi))
# test a bunch of different ranges
for (lo, hi) in [(0, 0), (0, 1), (0, 2), (0, 9), (0, 10), (0, 11), (0, 101),
(1, 1), (1, 2), (1, 9), (1, 10), (1, 11), (1, 101),
(0, 123), (111, 123), (123, 222), (123, 333), (123, 444),
(0, 321), (111, 321), (222, 321), (321, 333), (321, 444),
(123, 321), (111, 121), (121, 222), (1234, 4321), (0, 999),
(99519000, 99519099)]:
fmt = '%%0%dd' % len(str(hi))
rx = regexp(lo, hi)
print('%4s - %-4s %s' % (fmt % lo, fmt % hi, rx))
m = re.compile('^%s$' % rx)
for i in range(0, 1+int(replace(str(hi), '9'))):
if m.match(fmt % i):
assert lo <= i <= hi, i
else:
assert i < lo or i > hi, i
函数 regexp(lo, hi)
构建一个匹配 lo
和 hi
之间的值的正则表达式(零填充到最大长度) .您可能需要在前面放一个 ^
并在后面放一个 $
(如在测试代码中)以强制匹配整个字符串。
该算法实际上非常简单 - 它递归地将事物划分为公共(public)前缀和“完整 block ”。一个完整的 block 类似于 200-599 并且可以可靠地匹配(在本例中为 [2-5]\d{2}
)。
因此 123-599 分为 123-199 和 200-599。后半部分是一个完整的 block ,前半部分有一个公共(public)前缀 1 和 23-99,递归处理为 23-29(公共(public)前缀)和 30-99(完整 block )(我们最终终止,因为参数每次调用都比初始输入短)。
唯一令人讨厌的细节是 prefix
,它是必需的,因为 regexp()
的参数是整数,所以当调用生成 00 的正则表达式时-09 它实际上生成 0-9 的正则表达式,没有前导 0。
输出是一堆测试用例,显示范围和正则表达式:
0 - 0 0
0 - 1 [0-1]
0 - 2 [0-2]
0 - 9 \d
00 - 10 (0\d|10)
00 - 11 (0\d|1[0-1])
000 - 101 (0\d\d|10[0-1])
1 - 1 1
1 - 2 [1-2]
1 - 9 [1-9]
01 - 10 (0[1-9]|10)
01 - 11 (0[1-9]|1[0-1])
001 - 101 (0(0[1-9]|[1-9]\d)|10[0-1])
000 - 123 (0\d\d|1([0-1]\d|2[0-3]))
111 - 123 1(1[1-9]|2[0-3])
123 - 222 (1(2[3-9]|[3-9]\d)|2([0-1]\d|2[0-2]))
123 - 333 (1(2[3-9]|[3-9]\d)|2\d\d|3([0-2]\d|3[0-3]))
123 - 444 (1(2[3-9]|[3-9]\d)|[2-3]\d{2}|4([0-3]\d|4[0-4]))
000 - 321 ([0-2]\d{2}|3([0-1]\d|2[0-1]))
111 - 321 (1(1[1-9]|[2-9]\d)|2\d\d|3([0-1]\d|2[0-1]))
222 - 321 (2(2[2-9]|[3-9]\d)|3([0-1]\d|2[0-1]))
321 - 333 3(2[1-9]|3[0-3])
321 - 444 (3(2[1-9]|[3-9]\d)|4([0-3]\d|4[0-4]))
123 - 321 (1(2[3-9]|[3-9]\d)|2\d\d|3([0-1]\d|2[0-1]))
111 - 121 1(1[1-9]|2[0-1])
121 - 222 (1(2[1-9]|[3-9]\d)|2([0-1]\d|2[0-2]))
1234 - 4321 (1(2(3[4-9]|[4-9]\d)|[3-9]\d{2})|[2-3]\d{3}|4([0-2]\d{2}|3([0-1]\d|2[0-1])))
000 - 999 \d\d{2}
99519000 - 99519099 995190\d\d
最后一个测试循环运行 99999999 个数字需要一段时间。
表达式应该足够紧凑以避免任何缓冲区限制(我猜最坏情况下内存大小与最大数字位数的平方成正比)。
ps 我使用的是 python 3,但我认为它在这里没有太大区别。
关于python:正则表达式匹配字符串的数字范围,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17829875/