究竟什么是“原始字符串正则表达式”以及如何使用它？

Question

从关于 regex 的 python 文档中，关于 '\' 字符：

解决方案是对正则表达式模式使用 Python 的原始字符串表示法；在以 'r' 为前缀的字符串文字中，不以任何特殊方式处理反斜杠。 So r"\n" is a two-character string containing '\' and 'n' , while "\n" is a one-character string containing a newline.通常模式将使用这种原始字符串表示法在 Python 代码中表示。

这个原始字符串表示法是什么？如果您使用原始字符串格式，这是否意味着 "*" 被视为文字字符而不是零或多个指示符？这显然是不对的，否则正则表达式将完全失去它的力量。但是，如果它是原始字符串，如果 "\n" 字面上是反斜杠和 "n" ，它如何识别换行符？

我不跟

编辑赏金：

我试图了解原始字符串正则表达式如何匹配换行符、制表符和字符集，例如 \w 用于单词或 \d 用于数字或所有诸如此类的东西，如果原始字符串模式不t 将反斜杠识别为普通字符以外的任何东西。我真的可以使用一些很好的例子。

原文由 temporary_user_name 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

Zarkonnen 的回答确实回答了您的问题，但不是直接回答。让我尝试更直接，看看我是否可以从 Zarkonnen 那里获得赏金。

如果您停止使用术语“原始字符串正则表达式”和“原始字符串模式”，您可能会发现这更容易理解。这些术语混淆了两个独立的概念：Python 源代码中特定字符串的表示，以及该字符串表示的正则表达式。

事实上，将它们视为两种不同的编程语言很有帮助，每种语言都有自己的语法。 Python 语言具有源代码，其中包括构建具有特定内容的字符串并调用正则表达式系统。正则表达式系统的源代码驻留在字符串对象中，并匹配字符串。两种语言都使用反斜杠作为转义字符。

首先，了解字符串是字符序列（即字节或 Unicode 代码点；这里的区别并不重要）。在 Python 源代码中有多种表示字符串的方法。 原始字符串 只是这些表示之一。如果两种表示产生相同的字符序列，则它们产生等效的行为。

想象一个 2 个字符的字符串，由 反斜杠 字符和后跟 n 字符组成。如果您知道 反斜杠 的字符值为 92，而 n 的字符值为 110，那么此表达式将生成我们的字符串：

 s = chr(92)+chr(110)
print len(s), s

2 \n

传统的 Python 字符串表示法 "\n" 不会生成此字符串。相反，它会生成一个带有换行符的单字符字符串。 Python 文档 2.4.1。字符串文字 表示，“反斜杠 (\) 字符用于转义具有特殊含义的字符，例如换行符、反斜杠本身或引号字符。”

 s = "\n"
print len(s), s

1

（请注意，在此示例中换行符不可见，但如果仔细观察，您会在“1”之后看到一个空行。）

要获得我们的双字符字符串，我们必须使用另一个 反斜杠 字符来转义原始 反斜杠 字符的特殊含义：

 s = "\\n"
print len(s), s

2 \n

如果你想表示其中有很多 反斜杠 字符的字符串怎么办？ Python 文档 2.4.1。字符串文字 继续，“字符串文字可以选择使用字母‘r’或‘R’作为前缀；此类字符串称为 _原始字符串_，并使用不同的规则来解释反斜杠转义序列。”这是我们的两个字符的字符串，使用原始字符串表示：

 s = r"\n"
print len(s), s

2 \n

所以我们有三种不同的字符串表示形式，都给出相同的字符串或字符序列：

 print chr(92)+chr(110) == "\\n" == r"\n"
True

现在，让我们转向正则表达式。 Python 文档，7.2。 re - 正则表达式操作 说，“正则表达式使用反斜杠字符（’\‘）来指示特殊形式或允许使用特殊字符而不调用它们的特殊含义。这与Python对字符串文字中用于相同目的的相同字符……”

如果你想要一个匹配换行符的 Python 正则表达式对象，那么你需要一个 2 字符的字符串，由 反斜杠 字符和后跟 n 字符组成。以下代码行全部设置 prog 为识别换行符的正则表达式对象：

 prog = re.compile(chr(92)+chr(110))
prog = re.compile("\\n")
prog = re.compile(r"\n")

那么为什么 “通常模式将使用这种原始字符串表示法在 Python 代码中表达”。 ？因为正则表达式通常是静态字符串，可以方便地表示为字符串文字。从可用的不同字符串文字符号来看，当正则表达式包含 反斜杠 字符时，原始字符串是一个方便的选择。

问题

问：表达式 re.compile(r"\s\tWord") 怎么样？ A : 将字符串从正则表达式编译中分离出来，分开理解更容易理解。

 s = r"\s\tWord"
prog = re.compile(s)

字符串 s 包含八个字符： _反斜杠_、 s 、 _反斜杠_、 t ，然后是四个字符 Word 。

问：制表符和空格字符会怎样？ 答：在 Python 语言级别，字符串 s 没有 制表符 和 空格 字符。它以四个字符开头： _反斜杠_、 s 、 _反斜杠_、 t 。同时，正则表达式系统将该字符串视为正则表达式语言中的源代码，意思是“匹配由一个空白字符、一个制表符和四个字符 Word 组成的字符串。

问：如果将其视为反斜杠-s 和反斜杠-t，您如何匹配它们？ A : 如果把’you’ 和’that’ 说得更具体一些，问题可能会更清楚：正则表达式系统如何匹配表达式backlash-s 和backslash-t？作为“任何空白字符”和“ 制表 符”。

问：或者如果你有 3 个字符的字符串反斜杠-n-换行符怎么办？ A : 在Python语言中，3个字符的字符串反斜杠-n-换行可以表示为常规字符串 "\\n\n" ，或者原始加常规字符串 r"\n" "\n" ，或者其他方式。正则表达式系统在找到任意两个连续的 换行符 时匹配 3 个字符的字符串 backslash-n-newline。

注意所有示例和文档参考均针对 Python 2.7。

更新：合并了@Vladislav Zorov 和@m.buettner 的回答以及@Aerovistae 的后续问题的澄清。

原文由 Jim DeLaHunt 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

这些问题中的大多数都有很多单词，也许很难找到您特定问题的答案。

如果您使用常规字符串并将类似“\t”的模式传递给 RegEx 解析器，Python 会将该文字转换为包含制表符字节 (0x09) 的缓冲区。

如果您使用原始字符串并将类似 r”\t” 的模式传递给 RegEx 解析器，Python 不会进行任何解释，它会创建一个包含两个字节的缓冲区：’\’ 和 ’t’。 （0x5c，0x74）。

RegEx 解析器知道如何处理序列“\t”——它将它与制表符进行匹配。它还知道如何处理 0x09 字符——也匹配制表符。在大多数情况下，结果将无法区分。

所以理解正在发生的事情的关键是认识到这里使用了两个解析器。第一个是 Python 解析器，它将您的字符串文字（或原始字符串文字）转换为字节序列。第二个是 Python 的正则表达式解析器，它将字节序列转换为已编译的正则表达式。

原文由 Geoff Gerrietts 发布，翻译遵循 CC BY-SA 3.0 许可协议