Регулярное выражение для подтверждения того, является ли строка допустимым идентификатором в Python

У меня есть следующее определение для идентификатора:

Identifier --> letter{ letter| digit}

В принципе у меня есть функция идентификатора, которая получает строку из файла и проверяет ее, чтобы убедиться, что она является допустимым идентификатором, как определено выше.

Я пробовал это:

if re.match('\w+(\w\d)?', i):     
  return True
else:
  return False

но когда я запускаю свою программу каждый раз, когда она встречает целое число, она думает, что это действительный идентификатор.

Например

c = 0 ;

он печатает c как допустимый идентификатор, который является точным, но также печатает 0 как допустимый идентификатор.

Что я здесь делаю неправильно?

Ответ 1

Из официальной ссылки: identifier ::= (letter|"_") (letter | digit | "_")*

Итак, регулярное выражение:

^[^\d\W]\w*\Z

Пример (для Python 2 просто опустите re.UNICODE):

import re
identifier = re.compile(r"^[^\d\W]\w*\Z", re.UNICODE)

tests = [ "a", "a1", "_a1", "1a", "aa$%@%", "aa bb", "aa_bb", "aa\n" ]
for test in tests:
    result = re.match(identifier, test)
    print("%r\t= %s" % (test, (result is not None)))

Результат:

'a' = True
'a1'    = True
'_a1'   = True
'1a'    = False
'aa$%@%'    = False
'aa bb' = False
'aa_bb' = True
'aa\n'  = False

Ответ 2

Для Python 3 вам нужно обрабатывать буквы и цифры Unicode. Поэтому, если это вызывает беспокойство, вы должны ладить с этим:

re_ident = re.compile(r"^[^\d\W]\w*$", re.UNICODE)

[^\d\W] соответствует символу, который не является цифрой, а не "не буквенно-цифровым", что означает "символ, который является буквой или подчеркиванием".

Ответ 3

str.isidentifier() работает. Ответы регулярного выражения некорректно не совпадают с некоторыми действительными идентификаторами Python и неправильно совпадают с некоторыми недействительными.

str.isidentifier() Возвращает true, если строка является допустимым идентификатором в соответствии с определением языка, разделом Идентификаторы и ключевыми словами.

Используйте keyword.iskeyword() для проверки зарезервированных идентификаторов, таких как def и class.

Комментарий @martineau приводит пример '℘᧚' когда решения регулярных выражений терпят неудачу.

>>> '℘᧚'.isidentifier()
True
>>> import re
>>> bool(re.search(r'^[^\d\W]\w*\Z', '℘᧚'))
False

Почему это происходит?

Позволяет определить наборы кодовых точек, которые соответствуют заданному регулярному выражению, и набор, который соответствует str.isidentifier.

import re
import unicodedata

chars = {chr(i) for i in range(0x10ffff) if re.fullmatch(r'^[^\d\W]\w*\Z', chr(i))}
identifiers = {chr(i) for i in range(0x10ffff) if chr(i).isidentifier()}

Сколько совпадений регулярных выражений не являются идентификаторами?

In [26]: len(chars - identifiers)                                                                                                               
Out[26]: 698

Сколько идентификаторов не совпадают с регулярными выражениями?

In [27]: len(identifiers - chars)                                                                                                               
Out[27]: 4

Интересно - какие?

In [37]: {(c, unicodedata.name(c), unicodedata.category(c)) for c in identifiers - chars}                                                       
Out[37]: 
set([
    ('\u1885', 'MONGOLIAN LETTER ALI GALI BALUDA', 'Mn'),
    ('\u1886', 'MONGOLIAN LETTER ALI GALI THREE BALUDA', 'Mn'),
    ('℘', 'SCRIPT CAPITAL P', 'Sm'),
    ('℮', 'ESTIMATED SYMBOL', 'So'),
])

Чем отличаются эти два набора?

Они имеют разные значения Unicode "General Category".

In [31]: {unicodedata.category(c) for c in chars - identifiers}                                                                                 
Out[31]: set(['Lm', 'Lo', 'No'])

Из Википедии это Letter, modifier; Letter, other; Number, other. Это согласуется с документами, так как \d это только десятичные цифры:

\d Соответствует любой десятичной цифре Unicode (то есть любому символу в категории символов Unicode [Nd])

А как насчет другого пути?

In [32]: {unicodedata.category(c) for c in identifiers - chars}                                                                                 
Out[32]: set(['Mn', 'Sm', 'So'])

Это Mark, nonspacing; Symbol, math; Symbol, other.

Где это все задокументировано?

Где это реализовано?

https://github.com/python/cpython/commit/47383403a0a11259acb640406a8efc38981d2255

Я все еще хочу регулярное выражение

Посмотрите на модуль регулярных выражений в PyPI.

Эта реализация регулярного выражения обратно совместима со стандартным модулем re, но предлагает дополнительные функциональные возможности.

Включает в себя фильтры для "общей категории".

Ответ 4

\ w соответствует цифрам и символам. Попробуйте ^[_a-zA-Z]\w*$

Ответ 5

Работает как шарм: r'[^\d\W][\w\d]+'