標准正則表達式與python正則表達式之間的差異

Question

我正在讀一本書，它們提供了一個如何將給定字符串與正則表達式匹配的示例。 這是他們的例子：

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

現在，我嘗試將其轉換為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>

我的問題有兩個：

1. 使上面的示例正常工作，python中的epsilon等效於什么？
2. 有人可以向我解釋為什么做正則表達式的理論或標准方法在python中不起作用嗎？ 最長匹配與最短匹配可能有關嗎？

澄清：對於那些問什么標准正則表達式的人-這是形式語言理論標准： http : //en.wikipedia.org/wiki/Regular_expression#Formal_language_theory

Answer 1

實際上，該示例工作得很好……只是一個很小的細節。 我會寫：

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

請注意，組0返回與正則表達式匹配的字符串部分。

如您所見，該表達式匹配連續的a和b，而不重復a。 如果確實要檢查整個字符串，則需要稍作更改：

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

^和$強制識別字符串的開頭和結尾。

最后，您可以使用第一個正則表達式來組合這兩種方法，但最后要進行測試：

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

補充：對於OT的第二部分，在我看來，標准正則表達式與python實現之間沒有差異。 當然，表示法略有不同，並且python實現建議了一些擴展（與大多數其他軟件包一樣）。

Answer 2

感謝您的回答。 我覺得每個答案都有一部分答案。 這是我一直在尋找的東西。

1. ？ 符號只是（something |ε）的簡寫。 因此（a |ε）可以改寫為a？ 。 因此，示例變為：

    b*(abb*)*a? 

   在python中，我們將編寫：

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

2. 將正則表達式語法直接轉換為python（即復制和粘貼）不起作用的原因是，因為python匹配最短的子字符串 （如果沒有$或^符號），而理論上的正則表達式匹配最長的初始子字符串 。
   例如，如果我們有一個字符串：

    s = 'aa' 

   我們的教科書正則表達式b *（abb *）* a？ 不會匹配，因為它有兩個a。 但是，如果我們直接將其復制到python：

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

   這是因為我們的正則表達式僅匹配字符串“ aa”的子字符串“ a”。
   為了告訴python在整個字符串上進行匹配，我們必須告訴它字符串的開頭和結尾在哪里，分別用^和$符號：

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

   請注意，python regex match（）在字符串的開頭匹配，因此它會自動在開頭假設^ 。 但是search（）函數沒有，因此我們保留^ 。
   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個

• 使用bool(p.match('aa'))檢查正則表達式是否匹配

• p = re.compile('b*(abb*)*a?$')

• \\b匹配字符串的邊框； \\w和\\W之間的位置（單詞字符和非單詞字符）

2

正則表達式在python中是非常標准的。 但是每種語言都有它們的風格，它們不是100％可移植的。 在使用任何特定語言的regexp之前，您應該先查找一些細微的差異。

加成

\\epsilon在python中沒有特殊符號。 它是一個空字符集。

在您的示例中a|\\epsilon等效於(a|)或只是a? 。 之后， $必須匹配字符串的結尾。

Answer 4

我不完全確定match如何在python中工作，但我認為您可能需要在您的RE中添加^ .... $。 RegExp匹配通常匹配子字符串，並且在p.match（'aa'）為“ a”（可能是第一個）的情況下找到最大的匹配項。 ^ ... $確保您匹配整個字符串，我相信這是您想要的。

理論/標准正則表達式假定您始終匹配整個字符串，因為您使用它來定義匹配的字符串語言，而不是在輸入字符串中找到子字符串。

Answer 5

之所以匹配，是因為您的正則表達式匹配任何標本文本的任何零寬度段。 您需要錨定正則表達式。 這是一種使用零寬度超前斷言的方法：

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

Answer 6

據我所知，您的第二個回答應該是epsilon的合適替代品，盡管我以前從未在正則表達式中見過epsilon。

無論值多少，您的模式都匹配“ a”。 也就是說，它是匹配的：

• 零個或多個“ b ”（選擇零）
• 零個或多個“ (abb*) ”（選擇零）
• 一個“ a ”或單詞結尾（選擇a）。

正如喬納森·費恩伯格（Jonathan Feinberg）指出的那樣，如果要確保整個字符串匹配，則必須錨定正則表達式的開頭（ '^' ）和結尾（ '$' ）。 每當在python中構造正則表達式時，也應使用原始字符串：r'my regex'。 這樣可以防止過多的反斜杠避免混淆。

Answer 7

表達式的問題在於它與空字符串匹配，這意味着如果您這樣做：

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

並且由於re.match嘗試匹配字符串的開頭，因此您必須告訴它匹配它直到字符串的結尾。 只需使用$

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

ps-您可能已經注意到，我在此處更多使用r'pattern'而不​​是'pattern'（第一段）