Согласование вложенных структур с регулярными выражениями в Python

Ответ 1

Вы не можете делать это, как правило, используя регулярные выражения Python. (Регулярные выражения .NET расширены с помощью "балансировочных групп", что позволяет вложенные совпадения.)

Однако PyParsing - очень приятный пакет для этого типа вещей:

from pyparsing import nestedExpr

data = "( (a ( ( c ) b ) ) ( d ) e )"
print nestedExpr().parseString(data).asList()

Вывод:

[[['a', [['c'], 'b']], ['d'], 'e']]

Подробнее о PyParsing:

• http://pyparsing.wikispaces.com/Documentation

Ответ 2

Регулярные выражения не могут анализировать вложенные структуры. Вложенные структуры по определению не являются регулярными. Они не могут быть построены с помощью регулярной грамматики, и они не могут быть проанализированы автоматом конечного состояния (регулярное выражение можно рассматривать как сокращенное обозначение для FSA).

Сегодня механизмы "регулярного выражения" иногда поддерживают некоторые ограниченные конструкции "вложенности", но с технической точки зрения их больше не следует называть "регулярными".

Ответ 3

Изменить: falsetru вложенный парсер, который я слегка изменил, чтобы принимать произвольные шаблоны регулярных выражений, чтобы указать разделители и разделители элементов, быстрее и проще, чем исходное решение re.Scanner:

import re

def parse_nested(text, left=r'[(]', right=r'[)]', sep=r','):
    """ /questions/297735/how-to-parse-a-string-and-return-a-nested-array/1462976#1462976 (falsetru) """
    pat = r'({}|{}|{})'.format(left, right, sep)
    tokens = re.split(pat, text)
    stack = [[]]
    for x in tokens:
        if not x or re.match(sep, x):
            continue
        if re.match(left, x):
            # Nest a new list inside the current list
            current = []
            stack[-1].append(current)
            stack.append(current)
        elif re.match(right, x):
            stack.pop()
            if not stack:
                raise ValueError('error: opening bracket is missing')
        else:
            stack[-1].append(x)
    if len(stack) > 1:
        print(stack)
        raise ValueError('error: closing bracket is missing')
    return stack.pop()

text = "a {{c1::group {{c2::containing::HINT}} a few}} {{c3::words}} or three"

print(parse_nested(text, r'\s*{{', r'}}\s*'))

дает

['a', ['c1::group', ['c2::containing::HINT'], 'a few'], ['c3::words'], 'or three']

Вложенные структуры не могут быть сопоставлены только с регулярным выражением Python, но очень просто создать базовый синтаксический анализатор (который может обрабатывать вложенные структуры) с помощью re. сканер:

import re

class Node(list):
    def __init__(self, parent=None):
        self.parent = parent

class NestedParser(object):
    def __init__(self, left='\(', right='\)'):
        self.scanner = re.Scanner([
            (left, self.left),
            (right, self.right),
            (r"\s+", None),
            (".+?(?=(%s|%s|$))" % (right, left), self.other),
        ])
        self.result = Node()
        self.current = self.result

    def parse(self, content):
        self.scanner.scan(content)
        return self.result

    def left(self, scanner, token):
        new = Node(self.current)
        self.current.append(new)
        self.current = new

    def right(self, scanner, token):
        self.current = self.current.parent

    def other(self, scanner, token):
        self.current.append(token.strip())

Его можно использовать следующим образом:

p = NestedParser()
print(p.parse("((a+b)*(c-d))"))
# [[['a+b'], '*', ['c-d']]]

p = NestedParser()
print(p.parse("( (a ( ( c ) b ) ) ( d ) e )"))
# [[['a', [['c'], 'b']], ['d'], 'e']]

По умолчанию NestedParser соответствует вложенным круглым скобкам. Вы можете передать другое регулярное выражение для соответствия другим вложенным шаблонам, таким как скобки, []. Например,,

p = NestedParser('\[', '\]')
result = (p.parse("Lorem ipsum dolor sit amet [@a xxx yyy [@b xxx yyy [@c xxx yyy]]] lorem ipsum sit amet"))
# ['Lorem ipsum dolor sit amet', ['@a xxx yyy', ['@b xxx yyy', ['@c xxx yyy']]],
# 'lorem ipsum sit amet']

p = NestedParser('<foo>', '</foo>')
print(p.parse("<foo>BAR<foo>BAZ</foo></foo>"))
# [['BAR', ['BAZ']]]

Конечно, pyparsing может сделать намного больше, чем может быть приведенный выше код. Но для этой единственной цели выше NestedParser примерно на 5 раз быстрее для небольших строк:

In [27]: import pyparsing as pp

In [28]: data = "( (a ( ( c ) b ) ) ( d ) e )"    

In [32]: %timeit pp.nestedExpr().parseString(data).asList()
1000 loops, best of 3: 1.09 ms per loop

In [33]: %timeit NestedParser().parse(data)
1000 loops, best of 3: 234 us per loop

и около 28 раз быстрее для больших строк:

In [44]: %timeit pp.nestedExpr().parseString('({})'.format(data*10000)).asList()
1 loops, best of 3: 8.27 s per loop

In [45]: %timeit NestedParser().parse('({})'.format(data*10000))
1 loops, best of 3: 297 ms per loop

Ответ 4

Python не поддерживает рекурсию в регулярных выражениях. Таким образом, эквиваленты для групп балансировки .NET или регулярного выражения PCRE в Perl не сразу возможны в Python.

Как вы сами сказали: это НЕ проблема, которую вы действительно должны решать с помощью одного регулярного выражения.

Ответ 5

Я бы рекомендовал удалить вложенность из самого регулярного выражения, прокручивая результаты и выполняя регулярные выражения.

Ответ 6

Вы говорите о рекурсии? Это не ясно из вашего вопроса. Пример:

ActivePython 2.6.1.1 (ActiveState Software Inc.) based on
Python 2.6.1 (r261:67515, Dec  5 2008, 13:58:38) [MSC v.1500 32 bit (Intel)] on
win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> p = re.compile(r"((\w+((\d+)[.;]))(\s+)\d)")
>>> m = p.match("Fred99. \t9")
>>> m
<_sre.SRE_Match object at 0x00454F80>
>>> m.groups()
('Fred99. \t9', 'Fred99.', '9.', '9', ' \t')

Это показывает соответствие вложенных групп. Нумерация групп зависит от порядка, в котором их открывающая скобка встречается в шаблоне.