Python中与Perl兼容的正则表达式（PCRE）

我必须在Python中解析一些基于PCRE的字符串，我不知道该怎么做

我要分析的字符串如下所示：

match mysql m/^.\0\0\0\n(4\.[-.\w]+)\0...\0/s p/MySQL/ i/$1/

在本例中，我必须获得以下不同的项目：

"m/^.\0\0\0\n(4\.[-.\w]+)\0...\0/s" ; "p/MySQL/" ; "i/$1/"

我在Python中发现的唯一与PCRE操作相关的东西是这个模块：（但它是用.so文件编写的…）

您知道是否存在用于分析此类字符串的Python模块吗？

您正在查找

”（\w/[^/]+/\w*）”

像这样使用,

import re
x = re.compile('(\w/[^/]+/\w*)')
s = 'match mysql m/^.\0\0\0\n(4\.[-.\w]+)\0...\0/s p/MySQL/ i/$1/'
y = x.findall(s)
# y = ['m/^.\x00\x00\x00\n(4\\.[-.\\w]+)\x00...\x00/s', 'p/MySQL/', 'i/$1/']

在玩Edi Weitz的游戏时发现了它，所以感谢对这个问题的评论，这让我想起了它的存在。

在Python中使用非ASCII时要特别小心

---

Python如何处理或未能处理模式和字符串中的非ASCII存在一些非常微妙的问题。更糟糕的是，这些差异很大程度上取决于您使用的Python版本，还取决于您是否拥有“广泛构建”

一般来说，当您使用Unicode时，具有宽构建的Python3工作得最好，而具有窄构建的Python2工作得最差，但是所有的组合与Perl正则表达式相对于Unicode的工作方式仍然相差甚远。如果你在找ᴘᴄʀᴇ 在Python模式中，您可能需要比它的旧

re

模块看得更远一些

烦人的“广泛构建”问题终于得到了彻底解决，前提是您使用了足够高级的Python版本。以下是一段摘录：

功能 由引入的更改如下：

• Python现在始终支持各种Unicode代码点，包括非BMP代码点（即从U+0000到U+10FFFF）。窄版本和宽版本之间的区别不再存在，Python现在的行为就像宽版本一样，即使在Windows下也是如此
• 随着狭义构建的消亡，狭义构建特有的问题也得到了解决，例如：

  • len（）

    现在对于非BMP字符总是返回1，因此

    len（'\U0010FFFF'）==1

  • 代理项对不会在字符串文本中重新组合，因此

    '\uDBFF\uDFFF'！='\U0010FFFF'

  • 索引或切片非BMP字符将返回预期值，因此

    '\U0010FFFF'[0]

    现在返回

    '\U0010FFFF'

    ，而不是

    '\uDBFF'

  • 标准库中的所有其他函数现在都可以正确处理非BMP代码点

• sys.maxunicode

  的值现在总是1114111（十六进制的0x10FFFF）。

  PyUnicode_GetMax（）

  函数仍然返回0xFFFF或0x10FFFF以实现向后兼容性，并且不应与新的Unicode API一起使用（请参阅）

• 已删除带有宽unicode的./configure

  标志

Python正则表达式的未来 与标准Python发行版的

re

库中当前可用的相比，它在几乎所有可能的方面都要好得多，并且很可能最终取代

re

。它与您的问题特别相关的是，他的

regex

库要多得多ᴘᴄʀᴇ （也就是说，比现在的

re

更加兼容Perl），这将使您更容易将Perl正则表达式移植到Python。因为它是一种从头开始的重写（就像从头开始，而不是像汉堡包：），所以它在编写时考虑到了非ASCII，而

re

不是

因此，

regex

库在如何处理问题方面更接近于（当前）的建议。它满足或超过了UTS#18级别1的要求在大多数方面（如果不是全部的话），您通常必须使用ICU正则表达式库或Perl本身，或者如果您特别有勇气，新的Java 7对其正则表达式进行更新，因为这也符合UTS#18的要求

除了满足那些一级要求（这些要求对于基本的Unicode支持是绝对必要的，但是Python当前的

re

库不能满足这些要求）之外，awesome

regex

库还满足命名字符（

\N{…}）

）的二级要求，扩展的Grapheme集群（

\X

），以及新的RL2.7，其完整属性来自

Matthew的

regex

模块还进行Unicode大小写折叠，以便不区分大小写的匹配在Unicode上可靠地工作，而

re

则不然。

以下内容不再正确，因为

regex

现在支持完全的Unicode大小写折叠，如Perl和Ruby

一个非常微小的区别是，目前，Perl的不区分大小写模式使用完全面向字符串的casefold，而他的

regex

模块仍然使用简单的面向单个字符的casefold，但这是他正在研究的问题。这实际上是一个非常困难的问题，除了Perl，只有Ruby尝试过

在完全大小写折叠下，这意味着（例如）

“ß”

现在正确匹配

“SS”

，

“SS”

，

“ſſ”

，

，
“s”
（等等），当选择不区分大小写的匹配时。（这在希腊语脚本中显然比拉丁语脚本更重要。）

有关跨JavaScript、PHP、Go、Ruby、Python、Java和Perl的Unicode支持的一般问题，请参阅标题为“Unicode支持决战：好的、坏的和（大部分）丑陋的”的幻灯片或文档源代码。如果不能使用Perl正则表达式或可能的ICU正则表达式库（唉，它没有命名捕获），那么Matthew的Python
regex
可能是你最好的选择


Nᴏᴛᴀ Bᴇɴᴇ sᴠ.ᴘ. （=你的解放军，等我的解放军：）以下未经请求