使用 pyparsing 解析正则表达式列表（字面意思）

Question

我想解析一个正则表达式列表来计算每个在某个文本/字符串中找到匹配项的可能性...

例如。在长度为 1 的字符串中查找 '[AB]' 应该是 1/13 左右（仅考虑大写字母）。

是否有一个通用的正则表达式解析器，它返回各个位置/替代方案？ 我正在考虑获取职位列表作为回报（'[AB].A{2}' 将产生 '[['A','B'],'.',['AA']'）

问题是用pyparsing解析正则表达式。 简单的正则表达式没有问题，但是当涉及到“替代”和重复时，我迷失了：我发现很难解析像'((A[AB])|(AB))'这样的嵌套表达式。

有什么想法吗？

Answer 1

你使用 ['A', 'B'] 来表示：或 A 或 B。那么你可以这样写：

'[{'A', ['A', 'B']}, {'A', 'B'}]'

在那里，您使用 [] 来表示“其中一个”，就像使用 {} 来表示“所有这些”

1/2 to '{'A', ['A', 'B']}'
   'A' => 1/1
   ['A', 'B'] => 1/2
   (1/1) * (1/2) = 1/2
   this (1/2) times the extern (1/2) = (1/4)
1/2 to '{'A', 'B'}' -> (1/26) to each.
Multiplify two times: 1/(26^2) and multiplify by the 1/2 = (1/(26^2))/2.

Now multiplify both:  (1/4) * ((1/(26^2))/2)

这是一个糟糕的解释......我会重试......

[] => Calc de probability: {probability of each term} / {num of terms}
{} => Calc de probability of each term and multiplify all

明白吗？

Answer 2

模拟而不是计算可能是要走的路。

设置一组具有代表性的文本字符串。 （语言学家将这样的集合称为语料库。）对于任何给定的正则表达式，找出它匹配的字符串数，然后除以语料库中的字符串总数。

您自己的示例将“[AB]”的可能性设为 1/13，就是基于这种思维方式，使用了单大写字母字符串的语料库。通过看到语料库的 26 个字符串中有两个匹配项，您得到 1/13。

创建一个更大的语料库：可能是所有字母数字字符串的集合到一定长度，或者所有 ASCII 字符串到一定长度，或者你选择的字典。思考什么语料库最适合您的目的是阐明“可能性”含义的好​​方法。