用Python的re-modu匹配正则表达式组（带或）和特殊字符

Question

我试着把下面的标题这样的字符串分开，然后匹配名称和任何附加信息，要么放在括号/大括号中，要么放在破折号之后（常规的，m/n破折号，水平条）。在

regex对我来说似乎很好，我可以在其他regex测试仪上测试它，但是在使用Python运行时它就不起作用了。在

有一些奇怪的事情发生了。第一个虚线标题似乎匹配，但是addition_a组没有包含正确的字符串。此外，由于某些原因，任何特殊字符，如各种破折号根本不匹配。脚本的编码是utf-8，所以我假设原始regex字符串中的破折号应该可以正常工作，但是它们不是。在

# -*- coding: utf-8 -*-
import re
titles = [
    'Spaced (News)',
    'Angry Birds [Game]',
    'Cheats - for all games', # dash
    'Cheats – for all games', # ndash
    'Cheats — for all games', # mdash
    'Cheats ― for all games'  # horizontal bar
]
regex = re.compile(r'^(?P<name>.+)\s+(([-–—―]\s+(?P<addition_a>.+))|([\(\[](?P<addition_b>.+)[\)\]]))$')
for title in titles:
    data = {}
    match = regex.match(title.strip())
    if match:
        data['name'] = match.group('name')
        try:
            data['addition'] = match.group('addition_a')
        except IndexError:
            pass
        try:
            data['addition'] = match.group('addition_b')
        except IndexError:
            pass
    print data

输出：

^{pr2}$

Answer 1

Unicode有占用超过一个字节的“字符”或“符号”，Python不太擅长理解这个概念，因此有时会出现一些问题。您可以执行以下操作之一：

您可以尝试确保正在解析的所有字符串都是unicode，如果您控制了这些字符串，则应该很简单—对于您的示例，只需在字符串的开头添加u指示符，如下所示：

u'Spaced (News)',
u'Angry Birds [Game]',
u'Cheats - for all games', # dash
u'Cheats – for all games', # ndash
u'Cheats — for all games', # mdash
u'Cheats ― for all games'  # horizontal bar

并将其添加到正则表达式中，如下所示：

^{pr2}$

否则，或者如果你不能控制，你可以做一个小的修改，虽然不是完全正确的-将工作。该更改是接受来自集合[-–—―]的多个字符，而不是通过执行[-–—―]+来接受单个字符：

r'^(?P<name>.+)\s+(([-–—―]+\s+(?P<addition_a>.+))|([\(\[](?P<addition_b>.+)[\)\]]))$'

这两个选项中的任何一个都会得到你想要的结果。在

第一个将产生unicode结果：

>>> 
{'addition': u'News', 'name': u'Spaced'}
{'addition': u'Game', 'name': u'Angry Birds'}
{'addition': None, 'name': u'Cheats'}
{'addition': None, 'name': u'Cheats'}
{'addition': None, 'name': u'Cheats'}
{'addition': None, 'name': u'Cheats'}

规则字符串中的第二个：

>>> 
{'addition': 'News', 'name': 'Spaced'}
{'addition': 'Game', 'name': 'Angry Birds'}
{'addition': None, 'name': 'Cheats'}
{'addition': None, 'name': 'Cheats'}
{'addition': None, 'name': 'Cheats'}
{'addition': None, 'name': 'Cheats'}

Answer 2

一个稍微“大锤锤式”的方法是将整个re改为“一些单词和空格，直到它不存在，然后剩下的”。这也避免了可选的additional_a和additional_b命名组和try/except逻辑。在

示例：

for title in titles:
    data = dict(zip(['name', 'addition'], (m.strip() for m in re.findall('([\w\s]+)', title))))
    print data

输出：

^{pr2}$

Answer 3

使用unicode文字。否则，[-–—―]匹配-，\xe2，\x80，\x93，\xe2，\x80，\x94，\xe2，\x80，\x95，而不是{}，–，—，―

# -*- coding: utf-8 -*-
import re
titles = [
    u'Spaced (News)',
    u'Angry Birds [Game]',
    u'Cheats - for all games', # dash
    u'Cheats – for all games', # ndash
    u'Cheats — for all games', # mdash
    u'Cheats ― for all games'  # horizontal bar
]
regex = re.compile(ur'^(?P<name>.+)\s+(([-–—―]\s+(?P<addition_a>.+))|([\(\[](?P<addition_b>.+)[\)\]]))$')
for title in titles:
    match = regex.match(title.strip())
    if match:
        data = {}
        data['name'] = match.group('name')
        data['addition'] = match.group('addition_a') or match.group('addition_b')
        print data

输出：

^{pr2}$

---

>>> r'[–]'
'[\xe2\x80\x93]'
>>> re.findall(r'[–]', '–')
['\xe2', '\x80', '\x93']
>>> re.findall(ur'[–]', u'–')
[u'\u2013']
>>> print re.findall(ur'[–]', u'–')[0]
–