使用regex，提取可能包含嵌套引号的带引号的字符串

Question

我有下面的绳子：

'Well, I've tried to say "How Doth the Little Busy Bee," but it all came different!' Alice replied in a very melancholy voice. She continued, 'I'll try again.'

现在，我想摘录以下引文：

^{pr2}$

我尝试了下面的代码，但我没有得到我想要的。[^\1]*未按预期工作。或者问题在别处？在

import re

s = "'Well, I've tried to say \"How Doth the Little Busy Bee,\" but it all came different!' Alice replied in a very melancholy voice. She continued, 'I'll try again.'"

for i, m in enumerate(re.finditer(r'([\'"])(?!(?:ve|m|re|s|t|d|ll))(?=([^\1]*)\1)', s)):
    print("\nGroup {:d}: ".format(i+1))
    for g in m.groups():
        print('  '+g)

Answer 1

这对pythonregex来说是一个很好的问题，因为在我看来，re模块是{a1}。这就是为什么对于Python中任何严肃的regex工作，我都会求助于matthewbarnett的stellarregex模块，它集成了Perl、PCRE和.NET的一些优秀特性。在

我将向您展示的解决方案可以适应使用re，但是使用regex更具可读性，因为它是模块化的。另外，将它作为更复杂的嵌套匹配的起始块，因为regex允许您编写与Perl和PCRE中类似的recursive regular expressions。在

好了，说够了，这里是代码（除了导入和定义只有四行）。请不要让长正则表达式吓到你：它很长，因为它是为可读而设计的。解释如下。在

代码

import regex

quote = regex.compile(r'''(?x)
(?(DEFINE)
(?<qmark>["']) # what we'll consider a quotation mark
(?<not_qmark>[^'"]+) # chunk without quotes
(?<a_quote>(?P<qopen>(?&qmark))(?&not_qmark)(?P=qopen)) # a non-nested quote
) # End DEFINE block

# Start Match block
(?&a_quote)
|
(?P<open>(?&qmark))
  (?&not_qmark)?
  (?P<quote>(?&a_quote))
  (?&not_qmark)?
(?P=open)
''')

str = """'Well, I have tried to say "How Doth the Little Busy Bee," but it all came different!' Alice replied in a very melancholy voice. She continued, 'I will try again.'"""

for match in quote.finditer(str):
    print(match.group())
    if match.group('quote'):
        print(match.group('quote'))

输出

^{pr2}$

工作原理

首先，为了简化，请注意，我已经自由地将I'll转换为I will，减少了引号的混淆。对I'll进行寻址对于否定的lookahead是没有问题的，但是我想让regex可读。在

在(?(DEFINE)...)块中，我们定义了三个子表达式qmark、not_qmark和{}，这与定义变量或子例程以避免重复一样。在

在定义块之后，我们继续匹配：

• (?&a_quote)匹配整个引号
• |或者。。。在
• ^{14{14}匹配
• (?&not_qmark)?匹配非引号的可选文本
• (?P<quote>(?&a_quote))匹配一个完整的引号并将其捕获到quote组中
• (?&not_qmark)?匹配非引号的可选文本
• (?P=open)与在引号开头捕获的引号匹配。在

Python代码只需要打印匹配项和quote捕获组（如果存在的话）。在

这个可以精炼吗？当然。以这种方式使用(?(DEFINE)...)，可以构建漂亮的模式，以后可以重新阅读和理解。在

添加递归

如果您想使用纯正则表达式处理更复杂的嵌套，则需要使用递归。在

要添加递归，只需定义一个组并使用子例程语法引用它。{23>在组内执行代码。要在组something中执行代码，请使用(?&something)。记住，通过使递归成为可选的（?）或交替的一侧，为引擎留下一个出口。在

参考文献

• Pre-defined regex subroutines
• Named capture groups

Answer 2

如果您真的需要从一个只应用一次的正则表达式返回所有结果，那么就需要使用lookahead（(?=findme)），以便查找位置在每次匹配之后返回到开始位置—请参见this answer以获得更详细的解释。在

为了防止错误匹配，还需要一些关于增加复杂性的引号的子句，例如I've中的撇号不应算作左引号或右引号。没有一种明确的方法可以做到这一点，但我坚持的原则是：

1. 开头的引号不能紧跟着一个单词字符（例如字母）。例如，A"不算开首引号，但,"可以算。在
2. 右引号不能紧跟单词字符（例如字母）。{{cd5>不算}例如，{cd6}不算。在

应用上述规则将得到以下正则表达式：

(?=(?:(?<!\w)'(\w.*?)'(?!\w)|"(\w.*?)"(?!\w)))

Debuggex Demo

对于任何可能的候选正则表达式，一个很好的快速健全性检查测试是反转引号。这已经在演示中完成了：https://regex101.com/r/vX4cL9/1

Answer 3

编辑

我修改了正则表达式，它与更复杂的情况匹配：

(?=(?<!\w|[!?.])('|\")(?!\s)(?P<content>(?:.(?!(?<=(?=\1).)(?!\w)))*)\1(?!\w))

DEMO

现在更复杂了，主要的改进是不直接匹配一些标点符号（[!?.]）和更好的引号大小写分隔。通过各种实例进行验证。在

句子将在content捕获组中。当然，它有一些限制，与空格的使用有关，等等，但是它应该适用于大多数格式正确的句子，或者至少可以用于示例。在

• (?=(?<!\w|[!?.])('|\")(?!\s)-匹配'或{}前面没有单词或标点符号（(?<!\w|[!?.])）或不带空格（(?!\s)）的'或{}部分在组1中捕获以供进一步使用
• (?P<content>(?:.(?!(?<=(?=\1).)(?!\w)))*)\1(?!\w))-匹配句子，后跟 与开始时相同的字符（'或{}在组1中捕获），忽略其他引号

它不直接匹配整个句子，但是由于捕捉组嵌套在lookaround结构中，所以使用全局匹配修饰符，它也将匹配句子中的句子-因为它只直接匹配句子开始之前的位置。在

关于您的regex:

我想，[^\1]*你指的是任何字符，但不是组1中捕获的字符，但character类不是这样工作的，因为它将\1作为八进制表示法中的字符（我认为这是某种空白）而不是对捕获组的引用。看看this example-阅读说明。还要比较THIS和THIS正则表达式的匹配。在

为了达到您想要的效果，您应该使用lookaround，类似这样的方法：^{}-捕获开始字符，然后匹配每个不紧跟捕获的开始字符的字符，然后再捕获一个字符，它直接位于捕获的字符之前-并且您在排除的字符之间有完整的内容。在