为什么表达式的顺序在 re.match 中很重要？

Question

我正在创建一个函数，它将接受像“three()”或类似“{1 + 2}”这样的字符串并将它们放入令牌列表中（例如：“three()”= [“three ", "(", ")"] 我使用 re.match 来帮助分隔字符串。

def lex(s):
# scan input string and return a list of its tokens
seq = []
patterns = (r"^(\t|\n|\r| )*(([a-z])*|[0-9]|\(|\)|\*|\/|)(\t|\n|\r| )*")
m = re.match(patterns,s)
while m != None:
    if s == '':
        break
    seq.append(m.group(2))
    s = s[len(m.group(0)):]
    m = re.match(patterns,s)
return seq

如果字符串只是“三”，则此方法有效。但是如果字符串包含“()”或任何符号，它就会停留在 while 循环中。 但是当在模式字符串中移动 ([a-z])* 时会发生一件有趣的事情。为什么会这样？

works: patterns = (r"^(\t|\n|\r| )*([0-9]|\(|\)|\*|\/|([a-z])*)(\t|\n|\r| )*")
Does not work: patterns = (r"^(\t|\n|\r| )*(([a-z])*|[0-9]|\(|\)|\*|\/)(\t|\n|\r| )*")

Answer 1

这个有点棘手，但问题在于这部分([a-z])*。这匹配任何大小为 0（零）或更大的小写字母字符串。

如果你把这个序列放在最后，就像这里：

patterns = (r"^(\t|\n|\r| )*([0-9]|\(|\)|\*|\/|([a-z])*)(\t|\n|\r| )*")

正则表达式引擎将首先尝试其他匹配项，如果找到匹配项，则停止。只有当其他人都不匹配时，它才会尝试([a-z])*，并且由于* 是“贪婪的”，它将匹配所有three，然后继续匹配(，最后匹配)。

阅读有关如何测试完整表达式的说明in the documentation（感谢@kaya3）。

但是，如果您将该序列作为开头，如下所示：

patterns = (r"^(\t|\n|\r| )*(([a-z])*|[0-9]|\(|\)|\*|\/)(\t|\n|\r| )*")

它现在将首先尝试匹配它。它仍然是贪婪的，所以three 仍然匹配。但在下一次尝试中，它会尝试将([a-z])* 与剩余的'()' 匹配——并且它匹配，因为该字符串以零字母开头。

它一直像那样匹配它，并陷入循环中。您可以通过将 * 更改为 + 来修复它，该 + 只有在有 1 个或多个匹配项时才会匹配：

patterns = (r"^(\t|\n|\r| )*(([a-z])+|[0-9]|\(|\)|\*|\/)(\t|\n|\r| )*")