什么是错误：在编译的Python正则表达式的回溯中没有重复的意思

Question

我有一个有趣的问题，试图理解和改进我在Python中使用REGEX

这是一个正则表达式

verbose_signature_pattern_2 = re.compile("""
^            # begin match at new line
\t*          # 0-or-more tab
[ ]*         # 0-or-more blankspaces
S            # capital S
[iI][gG][nN][aA][Tt][uU][rR][eE]
[sS]?        # 0-or-1 S
\s*          # 0-or-more whitespace
[^0-9]       # anything but [0-9]
$            # newline character
""", re.VERBOSE|re.MULTILINE)

当我运行代码时，我收到一个错误

""", re.VERBOSE|re.MULTILINE)
  File "C:\Python27\lib\re.py", line 190, in compile
return _compile(pattern, flags)
File "C:\Python27\lib\re.py", line 242, in _compile
raise error, v # invalid expression
error: nothing to repeat

如果我删除选项卡（\\ t）特殊字符上的0或更多限定符，则不会抛出错误

我正在尝试找到一些行，这些行有一些Signature一词的变体作为行中的第一个单词。 我知道我可以使用稍微不同的方法来获得我需要的东西。 但是，我想象文档的创建者可能会选中以大致居中这个词，或者他们可能会使用空格。 我不想使用\\ s因为我不想捕获可能在具有单词Signature的行之前的所有空行。 具体来说，我试图避免捕获所有这些问题

'\n\n\n\n            Signature    \n

我只想在输出中看到这个

'            Signature    \n

我确实意识到我可以轻松剥离多余的新行字符，但我正在努力理解并更精确地做事。 有趣的是，以下REGEX具有相同的开始，但它似乎按预期工作。 这就是我没有得到一个错误，当这个编译，它似乎给了我想要的东西 - 虽然我仍然需要找到更多的边缘情况。

verbose_item_pattern_2 = re.compile(r"""
^            # begin match at newline
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
I            # a capital I
[tT][eE][mM] # one character from each of the three sets this allows for unknown case
\t*          # 0-or-more tabs
[ ]*         # 0-or-more blanks
\d{1,2}      # 1-or-2 digits
[.]?         # 0-or-1 literal .
\(?          # 0-or-1 literal open paren
[a-e]?       # 0-or-1 letter in the range a-e
\)?          # 0-or-1 closing paren
.*           # any number of unknown characters so we can have words and punctuation
[^0-9]       # anything but [0-9]
$            # 1 newline character
""", re.VERBOSE|re.MULTILINE)

Answer 1

第一个字符串不是原始字符串。 因此，当Python编译字符串时（在它进入正则表达式引擎之前），它将替换所有转义序列。 所以\\t实际上会成为字符串中的制表符（而不是反斜杠-t）。 但是你正在使用freespacing模式（ re.VERBOSE ）。 因此，空白是微不足道的。 你的正则表达式相当于：

^*[ ]*S[iI][gG][nN][aA][Tt][uU][rR][eE][sS]?\s*[^0-9]$

即使在非原始字符串中， \\s仍保持\\s ，因为它不是Python字符串中可识别的转义序列。

然后在开头^*导致问题，因为你不能重复锚。

这就是为什么你应该总是使用原始字符串来编写正则表达式。 然后\\t只保留反斜杠-t，正则表达式引擎可以将其解释为选项卡。

顺便说一句， [ ]的空格不是问题，因为即使在详细/自由空间模式中，字符类中的空格也很重要。