标准正则表达式与python正则表达式之间的差异

Question

我正在读一本书，它们提供了一个如何将给定字符串与正则表达式匹配的示例。 这是他们的例子：

b*(abb*)*(a|∊) - Strings of a's and b's with no consecutive a's.

现在，我尝试将其转换为python，如下所示：

>> p = re.compile(r'b*(abb*)*(a|)') # OR
>> p = re.compile(r'b*(abb*)*(a|\b)')

# BUT it still doesn't work
>>> p.match('aa')
<_sre.SRE_Match object at 0x7fd9ad028c68>

我的问题有两个：

1. 使上面的示例正常工作，python中的epsilon等效于什么？
2. 有人可以向我解释为什么做正则表达式的理论或标准方法在python中不起作用吗？ 最长匹配与最短匹配可能有关吗？

澄清：对于那些问什么标准正则表达式的人-这是形式语言理论标准： http : //en.wikipedia.org/wiki/Regular_expression#Formal_language_theory

Answer 1

实际上，该示例工作得很好……只是一个很小的细节。 我会写：

>>> p = re.compile('b*(abb*)*a?')
>>> m = p.match('aa')
>>> print m.group(0)
'a'
>>> m = p.match('abbabbabababbabbbbbaaaaa')
>>> print m.group(0)
abbabbabababbabbbbba

请注意，组0返回与正则表达式匹配的字符串部分。

如您所见，该表达式匹配连续的a和b，而不重复a。 如果确实要检查整个字符串，则需要稍作更改：

>>> p = re.compile('^b*(abb*)*a?$')
>>> m = p.match('aa')
>>> print m
None

^和$强制识别字符串的开头和结尾。

最后，您可以使用第一个正则表达式来组合这两种方法，但最后要进行测试：

>>> len(m.group(0)) == len('aa')

补充：对于OT的第二部分，在我看来，标准正则表达式与python实现之间没有差异。 当然，表示法略有不同，并且python实现建议了一些扩展（与大多数其他软件包一样）。

Answer 2

感谢您的回答。 我觉得每个答案都有一部分答案。 这是我一直在寻找的东西。

1. ？ 符号只是（something |ε）的简写。 因此（a |ε）可以改写为a？ 。 因此，示例变为：

    b*(abb*)*a? 

   在python中，我们将编写：

    p = re.compile(r'^b*(abb*)*a?$') 

2. 将正则表达式语法直接转换为python（即复制和粘贴）不起作用的原因是，因为python匹配最短的子字符串 （如果没有$或^符号），而理论上的正则表达式匹配最长的初始子字符串 。
   例如，如果我们有一个字符串：

    s = 'aa' 

   我们的教科书正则表达式b *（abb *）* a？ 不会匹配，因为它有两个a。 但是，如果我们直接将其复制到python：

    >> p = re.compile(r'b*(abb*)*a?') >> bool(p.match(s)) True 

   这是因为我们的正则表达式仅匹配字符串“ aa”的子字符串“ a”。
   为了告诉python在整个字符串上进行匹配，我们必须告诉它字符串的开头和结尾在哪里，分别用^和$符号：

    >> p = re.compile(r'^b*(abb*)*a?$') >> bool(p.match(s)) False 

   请注意，python regex match（）在字符串的开头匹配，因此它会自动在开头假设^ 。 但是search（）函数没有，因此我们保留^ 。
   因此，例如：

    >> s = 'aa' >> p = re.compile(r'b*(abb*)*a?$') >> bool(p.match(s)) False # Correct >> bool(p.search(s)) True # Incorrect - search ignored the first 'a' 

Answer 3

1个

• 使用bool(p.match('aa'))检查正则表达式是否匹配

• p = re.compile('b*(abb*)*a?$')

• \\b匹配字符串的边框； \\w和\\W之间的位置（单词字符和非单词字符）

2

正则表达式在python中是非常标准的。 但是每种语言都有它们的风格，它们不是100％可移植的。 在使用任何特定语言的regexp之前，您应该先查找一些细微的差异。

加成

\\epsilon在python中没有特殊符号。 它是一个空字符集。

在您的示例中a|\\epsilon等效于(a|)或只是a? 。 之后， $必须匹配字符串的结尾。

Answer 4

我不完全确定match如何在python中工作，但我认为您可能需要在您的RE中添加^ .... $。 RegExp匹配通常匹配子字符串，并且在p.match（'aa'）为“ a”（可能是第一个）的情况下找到最大的匹配项。 ^ ... $确保您匹配整个字符串，我相信这是您想要的。

理论/标准正则表达式假定您始终匹配整个字符串，因为您使用它来定义匹配的字符串语言，而不是在输入字符串中找到子字符串。

Answer 5

之所以匹配，是因为您的正则表达式匹配任何标本文本的任何零宽度段。 您需要锚定正则表达式。 这是一种使用零宽度超前断言的方法：

re.compile(r'^(a(?!a)|b)*$')

Answer 6

据我所知，您的第二个回答应该是epsilon的合适替代品，尽管我以前从未在正则表达式中见过epsilon。

无论值多少，您的模式都匹配“ a”。 也就是说，它是匹配的：

• 零个或多个“ b ”（选择零）
• 零个或多个“ (abb*) ”（选择零）
• 一个“ a ”或单词结尾（选择a）。

正如乔纳森·费恩伯格（Jonathan Feinberg）指出的那样，如果要确保整个字符串匹配，则必须锚定正则表达式的开头（ '^' ）和结尾（ '$' ）。 每当在python中构造正则表达式时，也应使用原始字符串：r'my regex'。 这样可以防止过多的反斜杠避免混淆。

Answer 7

表达式的问题在于它与空字符串匹配，这意味着如果您这样做：

>>> p = re.compile('b*(abb*)*(a|)')
>>> p.match('c').group(0)
''

并且由于re.match尝试匹配字符串的开头，因此您必须告诉它匹配它直到字符串的结尾。 只需使用$

>>> p = re.compile(r'b*(abb*)*(a|)$')
>>> print p.match('c')
None
>>> p.match('ababababab').group(0)
'ababababab'

ps-您可能已经注意到，我在此处更多使用r'pattern'而不​​是'pattern'（第一段）