正則表達式可在一行中捕獲多個乳膠命令

Question

我正在編寫一個乳膠到文本轉換器，並且將我的工作基於一個著名的乳膠Python解析器（python-latex）。 我每天都在改進它，但是現在在一行中解析多個命令時遇到了問題。 乳膠命令可以采用以下四種形式：

\commandname
\commandname[text]
\commandname{other text}
\commandname[text]{other text}

假設命令沒有分成幾行，並且文本中可能有空格（但命令名中沒有空格），我最后得到了以下正則表達式來捕獲一行命令：

'(\\.+\[*.*\]*\{.*\})'

實際上，一個示例程序正在運行：

string="\documentclass[this is an option]{this is a text} this is other text ..."
re.split(r'(\\.+\[*.*\]*\{.*\}|\w+)+?', string)

>>>['', '\\documentclass[this is an option]{this is a text}', ' ', 'this', ' ', 'is', ' ', 'other', ' ', 'text', ' ...']

好吧，說實話，我希望這樣的輸出：

>>> [ '\\documentclass[this is an option]{this is a text}', 'this is other text ...' ]

但是第一個仍然可以工作。 現在，如果在一行中有多個命令，那么就會出現我的問題，如以下示例所示：

dstring=string+" \emph{tt}"
print (dstring)
\documentclass[this is an option]{this is a text} this is other text ... \emph{tt}
re.split(r'(\\.+\[*.*\]*\{.*\}|\w+)+?', dstring)
['', '\\documentclass[this is an option]{this is a text} this is other text ... \\emph{tt}', '']

如您所見，結果與我想要的結果完全不同：

[ '\\documentclass[this is an option]{this is a text}', 'this is other text ...', '\\emph{tt}']

我嘗試使用先行和回溯命題，但是由於它們期望使用固定數量的字符，因此無法使用它們。 我希望有一個解決方案。

謝謝！

Answer 1

您可以使用github.com/alvinwan/TexSoup輕松完成此操作 。 這將為您提供所需的內容，盡管保留了空格。

>>> from TexSoup import TexSoup
>>> string = "\documentclass[this is an option]{this is a text} this is other text ..."
>>> soup = TexSoup(string)
>>> list(soup.contents)
[\documentclass[this is an option]{this is a text}, ' this is other text ...']
>>> string2 = string + "\emph{tt}"
>>> soup2 = TexSoup(string2)
[\documentclass[this is an option]{this is a text}, ' this is other text ...', \emph{tt}]

免責聲明：我知道（1）我將在一年后發布，並且（2）OP要求使用正則表達式，但是假設該任務與工具無關，則將其留給有類似問題的人員使用。 另外，我寫了TexSoup，所以建議不要加鹽。