regex的不同部分匹配相同的文本，这取决于后面的内容。

Question

我正在尝试编写regex (在Python程序中)，以匹配如下所示的字符串：

             """(book "Moby Dick" (MLA) #foo ?bar baz)

             """(book "Moby Dick" (MLA))

             """(book "Moby Dick")

我的准则是：

(?P<indent>\s*)("""|\'\'\'|blockquote:)(\((?P<type>\w*)\s*(["\'](?P<citation>.+?)["\'])?\s*(\((?P<format>\w+?)\))?(?P<other>.+?)\))?

预期的结果是：

indent  [0-8]   `        `
type    [12-16] `book`
citation    [18-27] `Moby Dick`
format  [30-33] `MLA`
other   [34-44] ` #foo ?bar baz`

对于第一个版本的字符串，这就是我得到的。但是，对于字符串的较短版本，“其他”组捕获了文本的早期部分，因此对于我得到的第二个版本：

indent  [0-8]   `        `
type    [12-16] `book`
citation    [18-27] `Moby Dick`
other   [29-33] `(MLA`

第三，我得到的是：

indent  [0-8]   `        `
type    [12-16] `book`
other   [17-28] `"Moby Dick"`

所以我的问题是，为什么“其他”模式在前面的模式之前被匹配，我怎样才能得到模式的“引文”和“格式”部分来匹配第二和第三种情况下的预期文本？

Answer 1

您还需要使(?P<other>.+?)模式成为可选的，以获得所需的结果：

reg = r'(?P<indent>\s*)("""|\'\'\'|blockquote:)(\((?P<type>\w*)\s*(["\'](?P<citation>.+?)["\'])?\s*(\((?P<format>\w+?)\))?(?P<other>.+?)?\))?'

由于它不是可选的，regex引擎至少需要一个字符才能成功匹配正则表达式。因为其他模式是.+，所以后面有一个结束括号。因此，最后两个字符串other被匹配，而不是citation和format。

>>> import re
>>> 
>>> reg = re.compile(r'(?P<indent>\s*)("""|\'\'\'|blockquote:)(\((?P<type>\w*)\s*(["\'](?P<citation>.+?)["\'])?\s*(\((?P<format>\w+?)\))?(?P<other>.+?)?\))?')
>>> 
>>> 
>>> s2 = '             """(book "Moby Dick" (MLA))'
>>> 
>>> m2 = reg.match(s2)
>>> m2.groupdict()
{'indent': '             ', 'citation': 'Moby Dick', 'type': 'book', 'other': None, 'format': 'MLA'}
>>> 
>>> s3 = '             """(book "Moby Dick")'
>>> m3 = reg.match(s3)
>>> 
>>> m3.groupdict()
{'indent': '             ', 'citation': 'Moby Dick', 'type': 'book', 'other': None, 'format': None}