regex - 有没有办法在正则表达式中定义自定义速记？

Question

我有一个表单的正则表达式

def parse(self, format_string):
    for m in re.finditer(
        r"""(?: \$ \( ( [^)]+ ) \) )   # the field access specifier
          | (
                (?:
                    \n | . (?= \$ \( ) # any one single character before the '$('
                )
              | (?:
                    \n | . (?! \$ \( ) # any one single character, except the one before the '$('
                )*
            )""",
        format_string,
        re.VERBOSE):
    ...

我想用一些自定义速记“常量”替换所有重复序列( \$ \( )，如下所示:

def parse(self, format_string):
    re.<something>('\BEGIN = \$\(')
    for m in re.finditer(
        r"""(?: \BEGIN ( [^)]+ ) \) )   # the field access specifier
          | (
                (?:
                    \n | . (?= \BEGIN ) # any one single character before the '$('
                )
              | (?:
                    \n | . (?! \BEGIN ) # any one single character, except the one before the '$('
                )*
            )""",
        format_string,
        re.VERBOSE):
    ...

有没有办法用正则表达式本身来做到这一点(即不使用 Python 的字符串格式将 \BEGIN 替换为 \$\( )？

澄清: Python 源代码仅用于上下文和说明。我正在寻找 RE 解决方案，该解决方案在某些 RE 方言(可能不是 Python 的方言)中可用，而不是专门针对 Python 的解决方案。

Answer 1

我认为这在 Python 的正则表达式风格中是不可能的。您将需要仅由 PCRE 支持的递归(或更确切地说是模式重用)。事实上，PCRE 甚至在其 man page 中提到了定义速记是如何工作的。 (搜索“定义子模式”)。

在 PCRE 中，您可以以与反向引用类似的方式使用递归语法 - 除了再次应用该模式，而不是尝试从反向引用获取相同的文字文本。例子:

/(\d\d)-(?1)-(?1)/

匹配日期之类的东西(其中 (?1) 将被替换为 \d\d 并再次评估)。这真的很强大，因为如果您在引用组本身中使用此构造，您将获得递归 - 但我们在这里甚至不需要它。以上也适用于命名组:

/(?<my>\d\d)-(?&my)-(?&my)/

现在我们已经很接近了，但定义也是模式的第一次使用，这使表达式有些困惑。诀窍是首先在从未评估过的位置使用模式。手册页建议了一个依赖于(不存在的)组的条件 DEFINE :

/
(?(DEFINE)
  (?<my>\d\d)
)
(?&my)-(?&my)-(?&my)
/x

构造 (?(group)true|false)适用模式 true若群group之前使用过，和(可选)模式 false除此以外。由于没有组DEFINE ，条件将始终为假，并且 true模式将被跳过。因此，我们可以将各种定义放在那里，而不必担心它们会被应用并弄乱我们的结果。这样我们就可以让它们进入模式，而无需真正使用它们。

而替代方案是一个负前瞻，它永远不会到达定义表达式的点:

/
(?!
  (?!)     # fail - this makes the surrounding lookahead pass unconditionally
  # the engine never gets here; now we can write down our definitions
  (?<my>\d\d) 
)
(?&my)-(?&my)-(?&my)
/x

但是，如果您没有条件，但确实有命名模式重用(我认为不存在这样的风格)，那么您只需要这种形式。另一个变体的优点是使用 DEFINE使组的用途一目了然，而前瞻方法有点模糊。

所以回到你原来的例子:

/
# Definitions
(?(DEFINE)
  (?<BEGIN>[$][(])
)
# And now your pattern
  (?: (?&BEGIN) ( [^)]+ ) \) ) # the field access specifier
|
  (
    (?: # any one single character before the '$('
      \n | . (?= (?&BEGIN) ) 
    )
  | 
    (?: # any one single character, except the one before the '$('
      \n | . (?! (?&BEGIN) ) 
    )*
  )
/x

这种方法有两个主要注意事项:

递归引用是 atomic .也就是说，一旦引用匹配了某些东西，它就永远不会被回溯到。在某些情况下，这可能意味着您必须巧妙地设计表达方式，以便第一个匹配项始终是您想要的匹配项。

您不能在定义的模式内使用捕获。如果你使用类似 (?<myPattern>a(b)c) 的东西并重复使用它，b永远不会被捕获——当重用一个模式时，所有的组都是非捕获的。

然而，与任何类型的插值或串联相比，最重要的优势是，您永远不会产生无效模式，并且您也不会弄乱您的捕获组计数。