标准正则表达式与 python 正则表达式差异

Question

我正在读一本书，它们提供了一个如何将给定字符串与正则表达式匹配的示例。 这是他们的例子：

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

现在我已经尝试将它转换为 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>

我的问题有两个：

1. python 中的 epsilon 等效项是什么才能使上述示例正常工作？
2. 谁能向我解释一下为什么理论上或标准的正则表达式在 python 中不起作用？可能与最长匹配与最短匹配有关吗？

澄清：对于询问标准正则表达式是什么的人 - 它是形式语言理论标准：http://en.wikipedia.org/wiki/Regular_expression#Formal_language_theory

Answer 1

感谢您的回答。我觉得每个答案都有一部分答案。这就是我要找的东西。

1. ? 符号只是 (something|ε) 的简写。因此 (a|ε) 可以重写为 a?。于是例子就变成了：

   b*(abb*)*a?
   

   在python中我们会这样写：

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

2. 将正则表达式语法直接翻译成python（即复制和粘贴）不起作用的原因是因为python匹配最短子字符串（如果符号$或^不存在），而理论上正则表达式匹配最长的初始子字符串。
   例如，如果我们有一个字符串：

   s = 'aa'
   

   我们的教科书正则表达式 b*(abb*)*a? 不会匹配它，因为它有两个 a。但是，如果我们直接将其复制到 python：

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

   这是因为我们的正则表达式只匹配字符串 'aa' 的子字符串 'a'。
   为了告诉python对整个字符串进行匹配，我们必须告诉它字符串的开头和结尾在哪里，分别用^和$符号：

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

   请注意，python 正则表达式 ma​​tch() 匹配字符串的 开头，因此它会自动假定 ^ 在开头。但是 search() 函数没有，因此我们保留 ^。
   比如：

   >> 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 2

实际上，这个例子工作得很好......到一个小细节。我会写：

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

注意0组返回的是正则表达式匹配的字符串部分。

如您所见，表达式匹配连续的 a 和 b 而没有重复 a。如果确实要检查整个字符串，则需要稍作更改：

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

^ 和 $ 强制识别字符串的开头和结尾。

最后，您可以使用第一个正则表达式来组合这两种方法，但在最后进行测试：

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

补充：对于 OT 的第二部分，在我看来，标准正则表达式和 python 实现之间没有差异。当然，符号略有不同，python 实现建议一些扩展（与大多数其他包一样）。

Answer 3

1

• 使用bool(p.match('aa'))检查正则表达式是否匹配

• p = re.compile('b*(abb*)*a?$')

• \b 匹配字符串的边框；位于\w 和\W 之间（单词字符和非单词字符）

2

Regexp 在 python 中是相当标准的。然而，每种语言都有它们的味道，它们不是 100% 可移植的。在使用任何特定语言的正则表达式之前，您需要查找一些细微的差异。

加法

\epsilon 在 python 中没有特殊符号。它是一个空字符集。

在您的示例中，a|\epsilon 等效于 (a|) 或只是 a?。之后$ 必须匹配字符串的结尾。

Answer 4

您的表达式的问题在于它与空字符串匹配，这意味着如果您这样做：

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

并且由于 re.match 尝试匹配字符串的开头，因此您必须告诉它匹配它直到字符串的结尾。只需使用 $ 即可

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

ps-你可能已经注意到我在here（第一段）上更多地使用了 r'pattern' 而不是 'pattern'

Answer 5

据我所知，您的第二个 re 应该是 epsilon 的合适替代品，尽管我以前从未在正则表达式中看到 epsilon。

不管怎样，你的模式匹配“a”。也就是说，是匹配的：

• 零个或多个“b”（选择零）
• 零个或多个“(abb*)”（选择零）
• 一个“a”或词尾（选择 a）。

正如 Jonathan Feinberg 指出的那样，如果要确保整个字符串匹配，则必须锚定正则表达式的开头 ('^') 和结尾 ('$')。每当在 python 中构造正则表达式时，您还应该使用原始字符串：r'my regex'。这将防止过多的反斜杠逃避混淆。

Answer 6

您正在匹配，因为您的正则表达式匹配任何样本文本的任何零宽度段。您需要锚定您的正则表达式。这是使用零宽度前瞻断言的一种方法：

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

Answer 7

我不确定 match 在 python 中是如何工作的，但我认为您可能需要将 ^....$ 添加到您的 RE。 RegExp 匹配通常匹配子字符串，它会找到最大的匹配，在 p.match('aa') 的情况下是“a”（可能是第一个）。 ^...$ 确保您匹配整个字符串，我相信这是您想要的。

理论/标准正则表达式假设您始终匹配整个字符串，因为您使用它来定义匹配的字符串语言，而不是在输入字符串中找到子字符串。