“破碎”的正则表达式？答案

【问题标题】："Broken" regular expression?“破碎”的正则表达式？
【发布时间】：2013-06-12 08:25:36
【问题描述】：

我有用于解析许多值的正则表达式，例如a=b c=d e=f，这应该会导致像这样的字典：{'a': 'b', 'c':'d', 'e':'f'}。我希望用户允许使用 \ 转义值，因此我使用了 ((?:[^\\\s=]+|\\.)+) 并添加了 (?:^|\s) 和 (?=\s|$)，而不是真正简单的正则表达式，因此表达式不会匹配部分结果。

>>> import re
>>> reg = re.compile(r'(?:^|\s)([\w\d]+)=((?:[^\\\s=]+|\\.)+)(?=\s|$)')
>>> s = r'a=b c=d e=one\two\three'
>>> reg.findall(s)
[('a', 'b'), ('c', 'd'), ('e', 'one\\two\\three')]

但后来有人过来并将=插入到事物的右侧。

>>> s = r'a=b c=d e=aaaaaaaaaaaaaaaaaaaaaaaaaa\bbbbbbbbbbbbbbbbbbbbbbbbbbbb\cccc
    ccccc=dddddddddddddddd\eeeeeeeeeeeeeee'    
>>> reg.findall(s)

脚本卡在这一行（我已经等了几个小时，但没有完成）。

问题：这是不是很糟糕的正则表达式（为什么？你会怎么写？）还是正则表达式的实现错误？

注意：我不是在为这个问题寻求解决方案，我很好奇为什么 findall() 没有在几个小时内完成。

【问题讨论】：

为什么不让=出现在=的右边，而你的分隔符是空格？
@DavidFoerster 这是一个错误（已经修复）。我很感兴趣为什么findall 永远不会结束。
真正的问题是“为什么你有这么糟糕的格式”？使用 JSON、YAML、换行符分隔的 key=value 对等等！
@kirelagin 第三方应用程序。对此无能为力。

标签： python regex python-3.2

【解决方案1】：

您的问题是您嵌套重复，并且重新引擎似乎尝试了它们之间的所有可能分布：

r'(?:^|\s)([\w\d]+)=((?:[^\\\s=]+|\\.)+)(?=\s|$)'
                                ^     ^

更好：

r'(?:^|\s)([\w\d]+)=((?:[^\\\s=]|\\.)+)(?=\s|$)'

实际上 findall 会完成（或内存不足）。你可以试试这个

s = r'a=b c=d e=aaaaaaa\bbbbbbbb\ccccccccc=ddddddddd\eeeee'

然后在“e=”后面依次添加字符

【讨论】：

很好奇。我期待正则表达式能够处理这样的情况。
@Vyktor 比你绝对应该阅读名为“掌握正则表达式”的书。太棒了。
@Vyktor 阅读Catastrophic backtracking

【解决方案2】：

除了非常简单的情况外，正则表达式不是适合您的任务的工具。您需要对输入字符串进行标记。

在简单的情况下你可以使用str.split():

for tok in s.split(" "):
    tok = tok.split("=", 1)
    key = tok[0]
    value = tok[1]

我已经很久没有写过python了，所以我不确定for … in …的说法是否正确，但你明白我的意思。

【讨论】：

在这种情况下不使用正则表达式是完全正确的，但您的解决方案没有转义。
不，可以有\ （转义空间），因此我不能使用标记化。或者至少不是这个简单的实现。
我知道，我的示例不允许转义——因此“在简单的情况下”。这只是为了说明我的想法。

【解决方案3】：

>>> import re
>>> reg = re.compile(r'(\w+)=(\S+)')
>>> dict(reg.findall(r'a=b c=d e=one\two\three'))
{'e': 'one\\two\\three', 'a': 'b', 'c': 'd'}
>>> dict(reg.findall(r'a=b c=d e=aaaaaaaaaaaaaaaaaaaaaaaaaa\bbbbbbbbbbbbbbbbbbbbbbbbbbbb\ccccccccc=dddddddddddddddd\eeeeeeeeeeeeeee'))
{'e': 'aaaaaaaaaaaaaaaaaaaaaaaaaa\\bbbbbbbbbbbbbbbbbbbbbbbbbbbb\\ccccccccc=dddddddddddddddd\\eeeeeeeeeeeeeee', 'a': 'b', 'c': 'd'}

【讨论】：