匹配直到另一个未转义的字符/序列或换行符

Question

我想匹配一个字符串直到一个终端字符/序列，其中：

• 终端字符/序列不是匹配的一部分。
• 终端字符/序列是定义的集合之一，比如(',',':', '%%')。
• 转义结束字符/模式不充当终止符。
• 将使用转义反斜杠，而不是用于转义下列字符。
• 即使前面有转义字符，字符串的结尾也会终止匹配。
• 换行符(LF,CR)也充当终止符，即使前面有转义字符。他们也不是比赛的一部分(但最后的悬空逃脱，如果有的话，是)。

因此，核心问题是:一些终止符序列被转义所中和，而另一些则没有。

这些是一些示例字符串及其所需的匹配结果:字符序列将被视为raw，但我将<newline>用于(LF,CR) (即用于原始换行符，如U+000A, U+000D)。

1: xxx\,aaa,bbb --> xxx\,aaa
2: xxx\\:aaa,bbb --> xxx\\
3: xxx\\\\\,aaa\::bbb --> xxx\\\\\,aaa\: 
4: xxx%%aaa --> xxx
5: xxx\%%aaa --> xxx\%%aaa
6: xxx%\%bbb\ --> xxx%\%bbb\
7: xxx\,aaa<newline>bbb --> xxx\,aaa
8: xxx\,aaa\<newline>bbb --> xxx\,aaa\

9: x\xa\a\,bb\\,bb --> x\xa\a\,bb\\

按照这里提出的其他一些问题的风格，我设法做到了以下几点：

pat = re.compile(r'.+?(?<!\\)(\\\\)*(?=[:,\n\r]|%%|$)', re.DOTALL|re.UNICODE) 

但是这并不包括所有的规则，它在转义换行符和字符串结束时有问题。

编辑：反斜杠可以发生在任何字符之前而不会造成不匹配(参见示例9)，只是如果它发生在另一个反斜杠之前，它会中和它作为转义字符的效果，如果它发生在某些终止符之前，则会中和它们作为终止符的效果。

Answer 1

这真的很有挑战性。在这里，我的方法：

import re

l = ['xxx\\,aaa,bbb',
 'xxx\\\\:aaa,bbb',
 'xxx\\\\\\\\\\,aaa\\::bbb',
 'xxx%%aaa',
 'xxx\\%%aaa',
 'xxx%\\%bbb\\',
 'xxx\\,aaa\nbbb',
 'xxx\\,aaa\nbbb',
 r'x\xa\a\,bb\\,bb']

for s in l:
    print('|||| {0} |||| --> {1}'.format(s, re.match(r'((?:(?:(?:\\\\)+|\\(?:,|:|%)|[^\\,:\n]|\\(?:[^\n]|$))(?<![^\\]%%))*)', s).group(0).rstrip('%')))

一些问题：

首先，我不明白你的第六弦。如何使用一个反斜杠作为字符串的最后一个字符？这对我来说毫无意义。

第二，我发现很难在没有逃脱任何一个的情况下检查双百分比的标志。回顾是无用的，因为我不知道会有多少反斜杠，也不知道前瞻，因为它不匹配的字符就在他们前面，所以我使用了一个解决办法，做了一个外观-后面匹配的第一对，并删除它与rstrip()。然后它不是一个纯regex (需要后处理)，但这是我的限制。

对最重要部分的解释：

1. (?:\\\\)+ --推进每一对反斜杠。
2. \\(?:,|:|%) --推进任何一组转义字符。
3. [^\\,:\n] --一般规则，除了那些对这个案件有特殊意义的字符。
4. (?<![^\\]%%) --当发现一对非转义的%时，停止。
5. \\(?:[^\n]|$) -匹配一个反斜杠，后面跟着一个非特殊字符或EOL。

我把原来的字符串放在管道之间，以注意换行符。也许它并不能与你的例子中的每一种可能性相匹配，但我希望你能理解这个想法。前面的脚本产生了：

|||| xxx\,aaa,bbb |||| --> xxx\,aaa
|||| xxx\\:aaa,bbb |||| --> xxx\\
|||| xxx\\\\\,aaa\::bbb |||| --> xxx\\\\\,aaa\:
|||| xxx%%aaa |||| --> xxx
|||| xxx\%%aaa |||| --> xxx\%%aaa
|||| xxx%\%bbb\ |||| --> xxx%\%bbb\
|||| xxx\,aaa
bbb |||| --> xxx\,aaa
|||| xxx\,aaa
bbb |||| --> xxx\,aaa
|||| x\xa\a\,bb\\,bb |||| --> x\xa\a\,bb\\

Answer 2

OP:

找到了一种简单的方法:枚举所有法律案件，而不是试图匹配终止符：

import re

pat = re.compile(r'([^,:\n\r%\\]|\\[^\n\r]|%(?!%)|\\(?=\n|\r|$))*', re.DOTALL)

patver = re.compile(r'''(
[^,:\n\r%\\]  | # generic: consume any non-special char
\\[^\n\r]     | # consume any escaped char - enc '%' and backslash
%(?!%)        | # two successive '%', no need for lookbehind because of previous term 
\\(?=\n|\r|$) | # dangling backslash
)*''', re.DOTALL|re.VERBOSE)

l = [r'xxx\,aaa,bbb',
 r'xxx\\:aaa,bbb',
 r'xxx\\\\\,aaa\::bbb',
 r'xxx%%aaa',
 r'xxx\%%aaa',
 'xxx%\\%bbb\\',
 'xxx\\,aaa\nbbb',
 'xxx\\,aaa\\\nbbb',
 r'x\xa\a\,bb\\,bb',
 r'xxx\\%%bbb',
 r'xxx\%%%bbb',
     ]

for s in l:
    print('|||| {0} |||| --> {1}'.format(s, re.match(pat, s).group(0)))

这种方法对长终止符序列是不实用的。