python - 正则表达式包含直到字符的所有内容，但忽略该字符的转义版本

Question

我有一个字符串，其中包含多个用引号引起来的子字符串。我需要将该字符串划分为子字符串，其中每个子字符串要么是带引号的字符串，要么是带引号的字符串之间的文本，但它还需要忽略转义的引号。

示例:

'"hello" "there"'
['"hello"', '"there"']

'MACRO "hello there"'
['MACRO', '"hello there"']

'"hello there" MACRO "again, \"Steve\""'
['"hello there"', 'MACRO', '"again, \"Steve\""']

'KERN \"  "Hello    there, \"buddy\""'
['KERN \"', '"Hello    there, \"buddy\""']

我看到了很多其他 Stackexchange 答案，但它们都只关心提取引用的字符串。我还没有找到任何可以分割整个字符串的东西。

我尝试使用 Shlex，但 Shlex 因以下字符串而失败:

c = r'KERN  "Hello    there, \"buddy\""'
print shlex.split(c, posix=False)
['KERN', '\\"', '"Hello    there, \\"', 'buddy\\""']

“Hello there”和“buddy”应该是同一字符串的一部分。

我最接近的是:

>>> m = re.search(r'([^"]*)("?:[^"\\]|\\.*")', c)
>>> print m.groups()
('KERN ', '\\"  "Hello    there, \\"buddy\\""')

问题出在第一组。我需要一个表达式，表示“抓取所有内容，但不包括第一个引号，但要包括转义引号”。我不知道该怎么做。

Answer 1

您可以将此正则表达式与 findall 中的交替使用，以处理转义字符:

"[^"\\]*(?:\\.[^"\\]*)*"|\S+

RegEx Demo

代码:

>>> arr = [ r'"hello" "there"', r'MACRO "hello there"', r'"hello there" MACRO "again, \"Steve\""' ]
>>> reg = re.compile(r'"[^"\\]*(?:\\.[^"\\]*)*"|\S+')
>>> for s in arr:
...     print (reg.findall(s))
...
['"hello"', '"there"']
['MACRO', '"hello there"']
['"hello there"', 'MACRO', '"again, \\"Steve\\""']

正则表达式详细信息:

• ":匹配开头"
• [^"\\]*:匹配 0 个或多个非 " 和 \
的任意字符
• (?::启动非捕获组
  • \\.:匹配 \ 后跟下一个转义字符
  • [^"\\]*:匹配 0 个或多个非 " 和 \
  的任意字符
• )*:结束非捕获组，匹配该组中的 0 个或多个
• ":匹配结束 "
• |:或
• \S+:匹配 1 个以上非空白字符