执行 Python re.sub 时如何忽略一些分隔文本

Question

我正在尝试“解析”一些 LaTeX 代码。 LaTeX 使用了一些特殊字符，例如%、#、{、}，并用$ … $ 分隔内联数学环境。

我需要的是转义 (\) 所有尚未转义且 不在 内的特殊字符 $ … $。

例如，对于提供的条目

#s{o}me\%thing $ \text{a} $

我需要返回：

\#s\{o\}me\%thing $ \text{a} $

请注意，已经转义的 \% 以及 $ … $ 中的 \text{a} 保持不变。

我正在使用 Python 的 re.sub 来做到这一点，这样我可以忽略转义的，但我不知道如何忽略 $ … $ 环境。我当前的代码是：

string = "#s{o}me\%thing $ \text{a} $"
re.sub(r'([^\\]?)((?:%|#|{|}|&))', r"\1\\\2", string)
# Expected output: "\#s\{o\}me\%thing $ \text{a} $"
# Actual output:   "\#s\{o\}me\%thing $ \text\{a\} $"

此时，对于上面的示例，我的代码返回以下内容：

\#s\{o\}me\%thing $ \text\{a\} $

有什么建议吗？？

Answer 1

您可以考虑以下解决方案：

import re
s = r"#s{o}me\%thing $ \text{a} $"
rx = r'(?<!\\)((?:\\{2})*)(?:(\$[^$\\]*(?:\\.[^$\\]*)*\$)|([%#{}&]))'
print ( re.sub(rx, lambda x: fr"{x.group(1)}\{x.group(3)}" if x.group(3) else fr"{x.group(1)}{x.group(2)}", s, flags=re.S) )
# => \#s\{o\}me\%thing $ \text{a} $

查看Python demo

正则表达式是

(?<!\\)((?:\\{2})*)(?:(\$[^$\\]*(?:\\.[^$\\]*)*\$)|([%#{}&]))

请参阅regex demo。详情：

• (?<!\\) - 不允许 \ 紧邻当前位置的左侧
• ((?:\\{2})*) - 第 1 组：零个或多个双反斜杠序列
• (?:(\$[^$\\]*(?:\\.[^$\\]*)*\$)|([%#{}&])) - 任何一个
  • (\$[^$\\]*(?:\\.[^$\\]*)*\$) - 第 2 组：$，然后是除 \ 和 $ 之外的任何零个或多个字符，然后出现零个或多个转义序列（\ + 任何字符），然后是任何零个或多个字符\ 和 $ 以外的字符，然后是 $
  • | - 或
  • ([%#{}&]) - 第 3 组：%、#、{、} 或 &。

如果第 3 组匹配，则将匹配替换为第 1 组 + \ + 第 3 组值，否则，结果是第 1 组和第 2 组值的串联。