正则表达式意外行为

Question

我正在开发一个函数，它可以用给定的规则翻译给定的文本。

def bork(text):
    """
    Implementation of language transformation based on Swedish-Chef talk.
    """

    rules = {"\be": "i",
        "the": "zee",
        "\Be\b": "e-a",
        "an": "un"
        }

    rules = dict((re.escape(k), v) for k, v in rules.items())
    pattern = re.compile("|".join(rules.keys()))
    borked = pattern.sub(lambda i: rules[re.escape(i.group(0))], text.strip())
    return borked

text = """experienced"""
print bork(text)
# gives "experienced"

它应该在哪里提供"ixperienced"。因为规则\be: i。其他转换在使用较大输入进行测试时效果很好，但失败了，请帮助我。

编辑：我添加了规则"\Bi\B": "ee"。结果应该是"ixpereeenced"。这也没有奏效。我仍然收到"experienced"。

Edit2：似乎问题存在于我使用反斜杠的规则中，但是，我尝试使用原始字符串和re.escape()。之后，我尝试删除re.escape()，但这给了我字典调用中的一个关键错误。（我也想知道为什么会发生这种情况）

Answer 1

"\b" 是退格字符，ASCII 值为 8。r"\b" 是文字字符 \ 和 b。使用原始字符串来防止转义序列被解释。

rules = {
    r"\be": "i",
    r"the": "zee",
    r"\Be\b": "e-a",
    r"an": "un"
}

然后，摆脱第一个re.escape() 调用。

Answer 2

一次 re.sub，使用捕获组，以便我们可以确定 哪个模式在相关区域上匹配。您可以通过保留模式列表来简化 subst 函数的逻辑，而不必每次都枚举 rules 字典...

rules = {
    r'(\be)'   : 'i',
    r'(the)'   : 'zee',
    r'(an)'    : 'un',
    r'(\Be\b)' : 'e-a'
}
pattern = '|'.join(rules.iterkeys())

def subst(matchobj):
    dind = [ind for (ind, val) in enumerate(matchobj.groups()) if val is not None][0]
    return rules[[val for (ind, val) in enumerate(rules) if ind == dind][0]]

text = 'experienced'
re.sub(pattern, subst, text)

Answer 3

正则表达式组的顺序很重要。使用“|”时，即使列表中有更长的匹配项，也接受第一个匹配项。所以你不应该依赖dict.keys()，因为订单是未定义的。使用列表（我猜你可以使用有序字典）。此外，matchobject.lastindex 返回最后一个（或唯一一个）匹配组的索引。

rules = [ 
    (r'\be'  , 'i'  ),
    (r'the'  , 'zee'),
    (r'an'   , 'un' ),
    (r'\Bi\B', 'ee' ),
    (r'\Be\b', 'e-a'  )
]

pattern = '|'.join('({})'.format(rule[0]) for rule in rules)

def subst(matchobj):
    #print(matchobj)
    return rules[matchobj.lastindex-1][1]

text = 'experienced'
re.sub(pattern, subst, text)

返回：

'ixpereeenced'