特定项之前的负正则表达式

Question

我想解析一个LaTeX文档并用一个特殊的命令标记它的一些术语。具体来说，我有一份条款清单，例如：

Astah
UML
use case
...

我希望用以下自定义命令来标记文本中第一次出现Astah：\gloss{Astah}。到目前为止，这是可行的(使用Python)：

for g in glossary:
    pattern = re.compile(r'(\b' + g + r'\b)', re.I | re.M)
    text = pattern.sub(start + r'\1' + end, text, 1)

而且效果很好。

但后来我发现：

• I不希望匹配LaTeX内嵌注释后面的术语(因此，术语前面有一个或多个%)
• 我不希望在节标题中匹配术语(即\section{term}或\paragraph{term})。

所以我试了一下：

for g in glossary:
    pattern = re.compile(r'(^[^%]*(?!section{))(\b' + g + r'\b)', re.I | re.M)
    text = pattern.sub(r'\1' + start + r'\2' + end, text, 1)

但它与前面有其他字符的注释中的术语相匹配，也与标题中的术语相匹配。

是因为我不明白雷克斯的“贪婪”吗？或者问题出在别的地方？

举个例子，如果我有这篇文章：

\section{Astah}
Astah is a UML diagramming tool... bla bla...
% use case:
A use case is a...

我想把它转化为：

\section{Astah}
\gloss{Astah} is a \gloss{UML} diagramming tool... bla bla...
% use case:
A \gloss{use case} is a...

Answer 1

这里的诀窍是使用在行开头开始匹配的正则表达式，因为这允许我们检查我们要匹配的单词是否前面有注释：

^([^%\n]*?)(?<!\\section{)(?<!\\paragraph{)\b(Astah)\b

需要多行标志m。此正则表达式的出现将被\1\\gloss{\2}所取代。

Answer 2

这是我的两分钱：

首先，我们需要使用马修·巴尼特的正则模。它带来了许多有趣的特征。在本例中，它的一个特性可能很有用，即添加的(*SKIP)和(*FAIL)。

来自文档：

• 增加(*修剪)、(*跳过)和(*失败) (Hg问题153)

(*剪枝)在此之前丢弃回溯信息。当用于原子组或查找时，它不会影响包围模式。

(*SKIP)类似于(*PRUNE)，但它也设置了文本中下一次匹配尝试将从何处开始。当用于原子组或查找时，它不会影响包围模式。

(*失败)导致立即回溯。(*F)是准许的缩写。

因此，让我们构建模式并使用regex模块对其进行测试：

import regex

pattern = regex.compile(r'%.*(*SKIP)(*FAIL)|\\section{.*}(*SKIP)(*FAIL)|(Astah|UML|use case)')

s = """
    \section{Astah}
    Astah is a UML diagramming tool... bla bla...
    % use case:
    A use case is a...
"""


print regex.sub(pattern, r'\\gloss{\1}', s)

产出：

节{Astah} \gloss{Astah}是一个\gloss{UML}图表工具。bla bla..。%用例:a\case{用例}是.

模式：

这句话很好地说明了这一点：

诀窍是匹配各种我们不想要的上下文，以便“中和它们”。

在左边，我们将写出我们不想要的上下文。在右边(最后一部分)，我们捕捉到我们真正想要的东西。因此，所有的上下文都由一个交变符号|分开，最后一个上下文(我们想要的)被捕获。

因为在这种情况下，我们将执行替换，我们需要(*跳过)(*FAIL)来保持我们不想替换的匹配部件的完整性。

这个模式意味着什么：

%.*(*SKIP)(*FAIL)|\\section{.*}(*SKIP)(*FAIL)|(Astah|UML|use case)

%.*(*SKIP)(*FAIL)              # Matches the pattern but skip and fail
|                              # or
\\section{.*}(*SKIP)(*FAIL)    # Matches the pattern but skip and fail
|                              # or
(Astah|UML|use case)           # Matches the pattern and capture it. 

这个简单的技巧在RexEgg上更详细。

希望能帮上忙。