正则表达式递归过深

Question

我将尝试编写一个正则表达式来匹配可选的带引号的值（有效的引号是"'和`）。 规则是两个引号的出现是转义引号。 以下是我想到的正则表达式：

(?P<quote>["'`])?(?P<value>(?(quote)((?!(?P=quote).)|((?=(?P=quote)).){2})*|[^\s;]*))(?(quote)(?P=quote)|)

现在，以下是可读的版本（包含我认为其作用的注释）：

(?P<quote>["'`])?                   #named group Quote (any quoting character?)

    (?P<value>                      #name this group "value", what I am interested in
        (?(quote)               #if quoted 
            ((?!(?P=quote).)|((?=(?P=quote)).){2})* #see below
                                    #match either anything that is not the quote
                                    #or match 2 quotes
        |
            [^\s;]*         #match anything that is not whitespace or ; (my seperators if there are no quotes)
        )
    )

(?(quote)(?P=quote)|)               #if we had a leeding quote we need to consume a closing quote

对于未引用的字符串，它可以正常执行；但对于已引用的字符串，则会崩溃并出现以下错误：

    match = re.match(regexValue, line)
  File "****/jython2.5.1/Lib/re.py", line 137, in match
    return _compile(pattern, flags).match(string)
RuntimeError: maximum recursion depth exceeded

我哪里做错了？

编辑：示例输入 => 输出（捕获组“value”（期望）

text    => text
'text'  => text
te xt   => te
'te''xt'=> te''xt   #quote=' => strreplace("''","'") => desired result: te'xt
'te xt' => te xt

编辑2: 在查看时我注意到了一个错误，见下文，但我认为上面的仍然是有效的re +>它可能是Jython的一个bug，但它仍然不能做我想要做的事情：（非常微小的差异，点移出了前瞻组

new:(?P<quote>["'`])?(?P<value>(?(quote)((?!(?P=quote)).|((?=(?P=quote)).){2})*|[^\s;]*))(?(quote)(?P=quote)|)
old:(?P<quote>["'`])?(?P<value>(?(quote)((?!(?P=quote).)|((?=(?P=quote)).){2})*|[^\s;]*))(?(quote)(?P=quote)|)

- ted

---

只使用正则表达式会很混乱。如果你同时使用正则表达式和状态机，会更容易些。你能做到吗？ - Wilduck

你有没有考虑使用类似的东西，比如在不同的正则表达式之间使用 | 运算符？例如："\".*?\"|'.*?'"。 - Joel Cornett

@JoelCornett：你的意思是（正则表达式引用值）|（正则表达式非引用值）吗？我将不得不写（几乎）相同的表达式四次，每个引用版本一次（3次），以及一次非引用版本。此外，我提取值时会遇到麻烦，因为我必须检查所有捕获组，如果我没有弄错的话。 - ted

@JoelCornett 不幸的是，我必须使用Jython，它是Python 2.5，但谢谢您的输入。为什么正则表达式只返回“Hello”对我来说是个谜。 - ted

你可以尝试使用带有适当引用符的CSV模块吗？ - jfs

Answer 1

根据评论中的建议，我建议明确地列出所有可能性：

r = r"""
    ([^"'`]+)
    |
    " ((?:""|[^"])*) "
    |
    ' ((?:''|[^'])*) '
    |
    ` ((?:``|[^`])*) `
"""

当提取匹配项时，您可以利用只有一个四个组将被填充的事实，并简单地删除所有空组：

r = re.compile(r, re.X)
for m in r.findall(''' "fo""o" and 'bar''baz' and `quu````x` '''):
    print ''.join(m)

- georg

Answer 2

如果我正确理解了您的问题，您需要处理一个包含三种不同引号的字符串。

“你好，先生”，猴子“漫不经心地”说道。

您想要提取引用的值。在这种情况下，它们将是：

Hello, sir monkey nonchalantly

以下表达式可以提取它们：

>>> expr = "\"(.*?)\"|'(.*?)'|`(.*?)`"

注意：

>>> s = """
"Hello, sir", said the 'monkey', `nonchalantly`. 
"""
>>> import re
>>> m = re.finditer(expr, s)
>>> for match in m:
...     print match.group()
...
('Hello, sir', None, None)
(None, 'monkey', None)
(None, None, 'nonchalantly')

顺便提一下，你的正则表达式在我的 Python 版本（Mac OSX 10.7.4 上的 cPython 2.7.2）上似乎可以工作，但生成错误的结果。

- Joel Cornett

---

你的正则表达式对 "te""xt","text" 做了什么？我猜它会得到 te""xt","text （贪婪的小正则表达式），而且我不知道是否有非贪婪修饰符。此外，我需要进行转义，我想使用正则表达式匹配，并逐位从前往后消耗字符串并获取 te""xt 和 text。 - ted

?将贪婪修饰符转换为非贪婪修饰符。 - Joel Cornett

@ted：这个正则表达式将返回“te”，“xt”和“text”。 - Joel Cornett

我忘记了那个，但这仍然不是我想要的（请参见第一条评论）。 - ted

Answer 3

我在稍微尝试了一下之后找到了解决方案：

good:(?P<quote>["'`])?(?P<value>(?(quote)((?!(?P=quote)).|((?=(?P=quote)).){2})*|[^;\s]*))(?(quote)(?P=quote)|)
bad :(?P<quote>["'`])?(?P<value>(?(quote)((?!(?P=quote)).|((?=(?P=quote)).){2})*|[^\s;]*))(?(quote)(?P=quote)|)

不，我没有理解它们之间的区别。

- ted

---

@J.F.Sebastian：最后你会发现一个类似于[^;\s]的组，在此之前它是[^\s;]。虽然我同意在技术上这两个应该表现相同，但在我的系统上它们并不相同。请记住，我使用的是Jython 2.5（它已经内置到我必须使用的应用程序中，因此我无法升级），而你没有出现错误，但很好的测试脚本，我可以在周一检查我的正则表达式是否在jython下相同，并可能随后提交错误报告。 - ted

Python 2、3、pypy 和 jython 对我尝试的输入产生相同的结果（在“好”和“坏”之间没有区别）。 - jfs