Python正則表達式模塊與重新模塊 - 模式不匹配

Question

更新 ：此問題已由提交者在be893e9中解決

如果遇到同樣的問題，請更新regex模塊。
您需要2017.04.23或更高版本。

---

正如在這個答案中指出的，我需要這個正則表達式 ：

(?i)\b((\w{1,3})(-|\.{2,10})[\t ]?)+(\2\w{2,})

正在使用regex模塊...

import re     # standard library
import regex  # https://pypi.python.org/pypi/regex/

content = '"Erm....yes. T..T...Thank you for that."'
pattern = r"(?i)\b((\w{1,3})(-|\.{2,10})[\t ]?)+(\2\w{2,})"
substitute = r"\2-\4"

print(re.sub(pattern, substitute, content))
print(regex.sub(pattern, substitute, content))

輸出：

"Erm....yes. T-Thank you for that."
"-yes. T..T...Thank you for that."

---

問：如何我都要寫這個正則表達式來使regex模塊反應，因此用同樣的方法re模塊呢？

使用re模塊不是一個選項，因為我需要具有動態長度的后視鏡。

澄清一下：如果正則表達式適用於兩個模塊會很好，但最后我只需要它用於regex

Answer 1

看來這個bug與回溯有關。 它在重復捕獲組時發生，並且捕獲組匹配但組之后的模式不匹配。

一個例子：

>>> regex.sub(r'(?:(\d{1,3})x)+', r'\1', '123x5')
'5'

作為參考，預期輸出將是：

>>> re.sub(r'(?:(\d{1,3})x)+', r'\1', '123x5')
'1235'

在第一次迭代中，捕獲組(\\d{1,3})消耗前3位數， x消耗以下“x”字符。 然后，由於+ ，第二次嘗試匹配。 這次， (\\d{1,3})匹配“5”，但x無法匹配。 但是，捕獲組的值現在（重新）設置為空字符串而不是預期的123 。

作為解決方法，我們可以阻止捕獲組進行匹配。 在這種情況下，將其更改為(\\d{2,3})足以繞過該錯誤（因為它不再匹配“5”）：

>>> regex.sub(r'(?:(\d{2,3})x)+', r'\1', '123x5')
'1235'

至於有問題的模式，我們可以使用先行斷言; 我們將(\\w{1,3})更改為(?=\\w{1,3}(?:-|\\.\\.))(\\w{1,3}) ：

>>> pattern= r"(?i)\b((?=\w{1,3}(?:-|\.\.))(\w{1,3})(-|\.{2,10})[\t ]?)+(\2\w{2,})"
>>> regex.sub(pattern, substitute, content)
'"Erm....yes. T-Thank you for that."'

Answer 2

編輯 ：現在在正則表達式2017.04.23中解決了該錯誤

剛剛在Python 3.6.1中測試過，原始模式在re和regex工作方式相同

---

原始解決方法 - 您可以使用惰性運算符+? （即一個不同的正則表達式，其行為與原始模式不同，例如T...Tha....Thank ）：

pattern = r"(?i)\b((\w{1,3})(-|\.{2,10})[\t ]?)+?(\2\w{2,})"

---

2017.04.05中的錯誤是由於回溯，如下所示：

不成功的較長匹配會創建空的\\2組，從概念上講，它應該觸發回溯到較短的匹配，其中嵌套組不為空，但regex似乎“優化”並且不從頭開始計算較短的匹配，但使用一些緩存值，忘記撤消嵌套匹配組的更新。

貪婪匹配示例((\\w{1,3})(\\.{2,10})){1,3}將首先嘗試3次重復，然后回溯到更少：

expected: 1,3 [('Erm....', 'Erm', '....'), ('T...', 'T', '...')]
actual:   1,3 [('Erm....', '', '....'), ('T...', '', '...')]
expected: 3 []
actual:   3 []
expected: 2 [('T...', 'T', '...')]
actual:   2 [('T...', 'T', '...')]
expected: 1 [('Erm....', 'Erm', '....'), ('T..', 'T', '..'), ('T...', 'T', '...')]
actual:   1 [('Erm....', 'Erm', '....'), ('T..', 'T', '..'), ('T...', 'T', '...')]

輸出：

 expected: 1,3 [('Erm....', 'Erm', '....'), ('T...', 'T', '...')] actual: 1,3 [('Erm....', '', '....'), ('T...', '', '...')] expected: 3 [] actual: 3 [] expected: 2 [('T...', 'T', '...')] actual: 2 [('T...', 'T', '...')] expected: 1 [('Erm....', 'Erm', '....'), ('T..', 'T', '..'), ('T...', 'T', '...')] actual: 1 [('Erm....', 'Erm', '....'), ('T..', 'T', '..'), ('T...', 'T', '...')]