非捕获组中的正则表达式捕获组答案

【问题标题】：Regex capturing group within non-capturing group非捕获组中的正则表达式捕获组
【发布时间】：2016-09-09 17:32:13
【问题描述】：

在 Python 中，如何在非捕获组中捕获组？换句话说，如何重复包含捕获组的非捕获子模式？

这方面的一个例子是捕获导入字符串上的所有包名称。例如。字符串：

导入熊猫、操作系统、系统

将返回“pandas”、“os”和“sys”。以下模式捕获第一个包并到达第二个包：

import\s+([a-zA-Z0=9]*),*\s*

从这里开始，我想重复捕获组并匹配以下字符的子模式，即([a-zA-Z0=9]*),*\s*。当我用一个非捕获组包围这个子模式并重复它时：

import\s+(?:([a-zA-Z0=9]*),*\s*)*

它不再捕获内部的组。

【问题讨论】：

如果您想要该功能，请使用 PyPi 正则表达式模块。
问题不在于捕获组和非捕获组，问题在于尝试获取 unset 数量的变量以供进一步使用，使用 * 捕获组几乎不会产生您正在寻找的结果。这不是正则表达式通常用于的东西。相反，合理的做法是获取整个导入包集，然后将字符串拆分为 ,\s*(?=\w) 或类似的东西。

标签： python regex

【解决方案1】：

您的问题是关于正则表达式的严格表述，但如果您愿意使用recursive descent parser（例如pyparsing），许多需要正则表达式专业知识的事情都会变得非常简单。

例如，你要问的变成了

from pyparsing import *

p = Suppress(Literal('import')) + commaSeparatedList

>>> p.parseString('import pandas, os, sys').asList()
['pandas', 'os', 'sys']

>>> p.parseString('import                    pandas,             os').asList()
['pandas', 'os']

这可能是个人喜好问题，但对我来说，

Suppress(Literal('import')) + commaSeparatedList

也比正则表达式更直观。

【讨论】：

【解决方案2】：

重复捕获组将仅捕获最后一次迭代。这就是为什么您需要重组您的正则表达式以使用 re.findall。

\s*
(?:
  (?:^from\s+
    (  # Base (from (base) import ...)
      (?:[a-zA-Z_][a-zA-Z_0-9]*  # Variable name
        (?:\.[a-zA-Z_][a-zA-Z_0-9]*)*  # Attribute (.attr)
      )
    )\s+import\s+
  )
|
  (?:^import\s|,)\s*
)
(  # Name of imported module (import (this))
  (?:[a-zA-Z_][a-zA-Z_0-9]*  # Variable name
    (?:\.[a-zA-Z_][a-zA-Z_0-9]*)*  # Attribute (.attr)
  )
)
(?:
  \s+as\s+
  (  # Variable module is imported into (import foo as bar)
    (?:[a-zA-Z_][a-zA-Z_0-9]*  # Variable name
      (?:\.[a-zA-Z_][a-zA-Z_0-9]*)*  # Attribute (.attr)
    )
  )
)?
\s*
(?=,|$)  # Ensure there is another thing being imported or it is the end of string

Try it on regex101.com

捕获组 0 将是 Base，捕获组 1 将是（您所追求的）导入模块的名称，捕获组 2 将是模块所在的变量 (from (group 0) import (group 1) as (group 2))

import re

regex = r"\s*(?:(?:^from\s+((?:[a-zA-Z_][a-zA-Z_0-9]*(?:\.[a-zA-Z_][a-zA-Z_0-9]*)*))\s+import\s+)|(?:^import\s|,)\s*)((?:[a-zA-Z_][a-zA-Z_0-9]*(?:\.[a-zA-Z_][a-zA-Z_0-9]*)*))(?:\s+as\s+((?:[a-zA-Z_][a-zA-Z_0-9]*(?:\.[a-zA-Z_][a-zA-Z_0-9]*)*)))?\s*(?=,|$)"

print(re.findall(regex, "import pandas, os, sys"))

[('', 'pandas', ''), ('', 'os', ''), ('', 'sys', '')]

如果你不关心其他两个捕获组，你可以删除它们。

【讨论】：

【解决方案3】：

您可以使用您的import\s+(?:([a-zA-Z0-9=]+),*\s*)* 正则表达式（我刚刚修复了0-9 范围以匹配任何数字并将= 包含在末尾）并使用PyPi regex module 访问第1 组捕获堆栈：

>>> import regex
>>> s = 'import pandas, os, sys'
>>> rx = regex.compile(r'^import\s+(?:([a-zA-Z0-9=]+),*\s*)*$')
>>> print([x.captures(1) for x in rx.finditer(s)])
[['pandas', 'os', 'sys']]

【讨论】：