Python 从字符串的正则表达式列表中选择最紧密的匹配正则表达式的方法

我有一个字符串列表和一个正则表达式列表。我的目标是为每个字符串找到匹配的正则表达式。当然，有时列表中的多个正则表达式会与给定的字符串匹配。在这种情况下，我想用某种方法对它们进行排序

基本上，这将奖励静态部件匹配或更紧密的配合。例如，假设我的正则表达式是

*：.*

和

开始：\d+

，我的字符串是

开始：18

，那么显然我更相信第二个正则表达式是更好的匹配，因为它匹配静态内容，并预测最后的字符将是数字，而不仅仅是任何东西

我不确定我看到了整个算法的运行情况，也不确定我是否在描述一个真正的质量（更紧密的匹配），或者它是否会归结为某种启发式的“分数”，我必须分配给每个匹配

---

如果有什么不同的话，我正在使用python。

我可以想出几种方法——这些只是“方向上的步骤”

首先，在Python中，您可以使用

debug

标志编译正则表达式，该标志为您提供有关如何解释正则表达式的信息

例如：

import re
p = re.compile('STARTING:\d+', re.DEBUG)

literal 83
literal 84
literal 65
literal 82
literal 84
literal 73
literal 78
literal 71
literal 58
max_repeat 1 65535
  in
    category category_digit

我想说，您匹配的文字数字越多，可以匹配的字符串就越少。类似地，当您在类别数字中有

max\u repeat a b

后跟

，您知道您可以在1到64k处有10个数字。如果您想计算所有可能匹配的字符串，那么这个数字将非常大。计算这个数字的对数更容易（也更合理）。对于调试输出中的每一行，您都可以找出该值

在这种情况下，它将是

0+0+0+0+0+0+0+0+0+(65535)*log(10)

相当多。但是如果你用另一个表达

p = re.compile('.*:.*', re.DEBUG)

你得到

max_repeat 0 65535
  any None
literal 58
max_repeat 0 65535
  any None

你的“熵”计算为log（255）*65536+0+log（255）*65536

超过4倍大

这将是一件很难实现的事情——特别是如果你开始添加look-around等，但是对于简单的表达式，它是可以做到的——并且它应该让你知道哪一个是“最好的”表达式

更好的做法是查看一个工具的输出，比如将其正则表达式引擎的内部工作转化为“可理解”的输出——您可以确切地看到它正在做什么/尝试什么，以及它最终如何找到匹配项。采用这种方法是很理想的，但这是非常困难的。
我不太确定，但通过计算表达式，这种静态排序难道不可能吗？例如，对于您的示例，您已经知道，如果
*：.*
和
start:\d+
匹配，则第二个将比前一个更相关。我认为这必须是一种启发式，因为大多数正则表达式匹配无限多的字符串，并且比较无限并不总是容易的。作为一个起点，我建议将正则表达式分解为标记，并为每个标记分配一个分数：例如-1表示裸字符，10表示
\d
，50表示
，100表示
+
，200表示
*
。尽管如此，这并不总是能给出很好的结果，例如，
*-*
比裸
*
的分数更高……您还可以根据精确度、正则表达式的长度或两者之间的平衡（通过评分）对它们进行排名。但是您需要一组好的测试字符串，以便测试正则表达式的灵活性。