Python 正则表达式如何获取中间字符串

我想搜索出现在某个字符串之间的字符串。比如说,

\start

\problem{number}
\subproblem{number}

/* strings that I want to get */

\subproblem{number}

/* strings that I want to get */

\problem{number}
\subproblem{number}
       ...
       ...
\end

更具体地说，我想得到问题编号和子问题编号，以及答案之间的字符串

我有点想表达一下

'(\\problem{(.*?)}\n)? \\subproblem{(.*?)} (.*?) (\\problem|\\subproblem|\\end)'

---

但它似乎不像我预期的那样有效。这个表达式有什么问题？

TeX非常复杂，我不确定使用正则表达式解析它的感觉如何

也就是说，正则表达式有两个问题：

• 您使用的是一个空格字符，应该只使用所有空格
• 您需要为最后一个组使用一个前瞻断言，这样它就不会被吃掉（因为您需要在下一次的正则表达式开始时匹配它）

尝试一下：

>>> v
'\\start\n\n\\problem{number}\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\problem{number}\n\\subproblem{number}\n       ...\n       ...\n\\end\n'
>>> re.findall(r'(?:\\problem{(.*?)})?\s*\\subproblem{(.*?)}\s*(.*?)\s*(?=\\problem{|\\subproblem{|\\end)', v, re.DOTALL)
[('number', 'number', '/* strings that I want to get */'), ('', 'number', '/* strings that I want to get */'), ('number', 'number', '...\n       ...')]

---

TeX非常复杂，我不确定我对使用正则表达式解析它的感觉如何

也就是说，正则表达式有两个问题：

• 您使用的是一个空格字符，应该只使用所有空格
• 您需要为最后一个组使用一个前瞻断言，这样它就不会被吃掉（因为您需要在下一次的正则表达式开始时匹配它）

尝试一下：

>>> v
'\\start\n\n\\problem{number}\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\subproblem{number}\n\n/* strings that I want to get */\n\n\\problem{number}\n\\subproblem{number}\n       ...\n       ...\n\\end\n'
>>> re.findall(r'(?:\\problem{(.*?)})?\s*\\subproblem{(.*?)}\s*(.*?)\s*(?=\\problem{|\\subproblem{|\\end)', v, re.DOTALL)
[('number', 'number', '/* strings that I want to get */'), ('', 'number', '/* strings that I want to get */'), ('number', 'number', '...\n       ...')]

这个：

(?:\\problem\{(.*?)\}\n)?\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)

为我返回三个匹配项：

匹配1：

group 1: "number"
group 2: "number"
group 3: "/* strings that I want to get */"

比赛2：

group 1: null
group 2: "number"
group 3: "/* strings that I want to get */"

比赛3：

group 1: "number"
group 2: "number"
group 3: "       ...\n       ..."

---

然而，我宁愿分两步解析它

首先使用以下方法查找问题编号（组1）和内容（组2）：

然后使用以下方法查找子问题的编号（组1）和内容（组2）：

\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)

这个：

(?:\\problem\{(.*?)\}\n)?\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)

为我返回三个匹配项：

匹配1：

group 1: "number"
group 2: "number"
group 3: "/* strings that I want to get */"

比赛2：

group 1: null
group 2: "number"
group 3: "/* strings that I want to get */"

比赛3：

group 1: "number"
group 2: "number"
group 3: "       ...\n       ..."

---

然而，我宁愿分两步解析它

首先使用以下方法查找问题编号（组1）和内容（组2）：

然后使用以下方法查找子问题的编号（组1）和内容（组2）：

\\subproblem\{(.*?)\}\n+(.*?)\n+(?=\\problem|\\subproblem|\\end)

如果问题真的是“这个表达式有什么问题？”，那么答案如下：

• 您正在尝试将换行符与

  *？

  匹配。你需要

  （？s）

  才能让它工作
• 在正则表达式中间没有显式的空格和换行，在源文本中没有任何对应的字符。你需要

  （？x）

  才能让它工作

这可能不是这个表达的全部错误。但是只需添加

（？sx）

，将其转换为原始字符串（因为我不相信自己能够正确地混合Python引用和正则表达式引用），然后删除

\n

就可以得到以下结果：

r'(?sx)(\\problem{(.*?)}? \\subproblem{(.*?)} (.*?)) (\\problem|\\subproblem|\\end)'

这将返回2个匹配项而不是0，这可能是对正则表达式进行的最小更改

然而，如果问题是“我如何解析这个？”，而不是“我现有的尝试有什么问题？”，我认为impl的解决方案更有意义（我也同意使用regex解析TeX通常是个坏主意的观点）——或者，更好的是，像Regexident那样分两步进行

---

---

如果使用regex解析TeX不是一个好主意，那么您会建议使用什么方法来解析TeX

首先，作为一般的经验法则，如果我不能自己编写正则表达式来解决问题，我不想用正则表达式来解决它，因为几个月后我将很难弄明白它。有时我会将它分解成子表达式，或者使用

（？x）

并用注释加载它，但通常我会寻找另一种方法

更重要的是，如果您有一个真正的解析器，它可以使用您的语言，并为您提供一棵树（或任何合适的树），您可以像对待XML一样行走和搜索，例如

etree

for XML，那么对于您在处理该语言时遇到的每一个问题，您都有90%的解决方案。一个快速而肮脏的正则表达式（特别是一个你不能自己写的正则表达式）只能让你解决下一个问题的10%。通常情况下，如果我今天有问题，我会在接下来的几个月里有更多的问题

那么，Python中TeX的好解析器是什么？老实说，我不知道。我知道

scipy

/

matplotlib

有一些功能，所以我可能会先看看。除此之外，请查看谷歌、PyPI，也许还有tex.stackexchange.com。搜索中首先出现的是和。我不知道它们有多好，也不知道它们是否适合您的用例，但浏览教程并找出答案应该不会花太长时间

如果结果是什么都没有，归结到自己写东西，比如vs.regex，那么这是一个更艰难的选择。在某些语言中，很容易只定义您关心的子集，而将其余部分作为巨大的未解释标记，在这种情况下，真正的解析器将与正则表达式一样简单，因此您不妨这样做。在其他语言中，在做任何有用的事情之前，你必须处理一半的语法，所以我甚至不会尝试。在决定走哪条路之前，我必须花一点时间来考虑它，并尝试两种方法。

如果问题真的是“这个表达式有什么问题？”，下面是答案：

• 您正在尝试将换行符与

  *？

  匹配。你需要

  （？s）

  才能让它工作
• 在正则表达式中间没有显式的空格和换行，在源文本中没有任何对应的字符。你需要

  （？x）

  才能让它工作

这可能不是这个表达的全部错误。但是只需添加

（？sx）

，将其转换为原始字符串（因为我不相信自己能够正确地混合Python引用和正则表达式引用），然后删除

\n

就可以得到以下结果：

r'(?sx)(\\problem{(.*?)}? \\subproblem{(.*?)} (.*?)) (\\problem|\\subproblem|\\end)'

这将返回2个匹配项而不是0，这可能是对正则表达式进行的最小更改

然而，如果问题是“我如何解析它？”，而不是“我现有的尝试有什么问题？”，我认为impl的解决方案