Was genau ist ein "Raw String Regex" und wie kann man es benutzen?

Zarkonnen die Antwort keine Antwort auf Ihre Frage, aber nicht direkt. Lassen Sie mich versuchen, mehr direkte, und sehen, ob ich Sie ergreifen können, die bounty von Zarkonnen.

Werden Sie vielleicht einfacher zu verstehen, wenn Sie aufhören, die Begriffe "raw-string-regex" und "raw-string-Muster". Diese Begriffe verschmelzen zwei getrennte Konzepte: die Darstellungen einer bestimmten Zeichenfolge in Python-source-code, und das, was reguläre Ausdrücke, string repräsentiert.

In der Tat, es ist hilfreich, diese als zwei unterschiedliche Programmiersprachen, die jeweils Ihre eigene syntax. Die Python-Sprache hat-source-code, der, unter anderem, baut strings mit bestimmten Inhalten, und fordert, die regulären Ausdrücke. Die regulären Ausdrücke hat-source-code, der sich in string-Objekte, und stimmt die Saiten. Beide Sprachen verwenden umgekehrten Schrägstrich als escape-Zeichen.

Zuerst verstehen, dass ein string eine Folge von Zeichen (z.B. bytes oder Unicode-code-points; die Unterscheidung nicht viel Materie hier). Es gibt viele Möglichkeiten, die eine Zeichenfolge darstellen, die in Python-source-code. Ein raw-string ist einfach einer dieser Darstellungen. Wenn zwei Darstellungen führen die gleiche Sequenz von Zeichen, die Sie produzieren äquivalent Verhalten.

Stellen Sie sich einen 2-Zeichen-string, bestehend aus den backslash Zeichen, gefolgt von dem n Charakter. Wenn Sie wissen, dass die Zeichen Wert für backslash ist 92, und für n 110 ist, dann ist dieser Ausdruck erzeugt, wird die Zeichenfolge:

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

2 \n

Den konventionellen Python string-notation "\n" nicht erstellen Sie diese Zeichenfolge. Statt dessen generiert es eine ein-Zeichen-string mit einem newline-Zeichen. Die Python-docs 2.4.1. String-Literale sagen, "Den umgekehrten Schrägstrich (\) wird verwendet, um escape-Zeichen, die sonst eine spezielle Bedeutung hat, wie newline, den umgekehrten Schrägstrich selbst, oder das quote-Zeichen".

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

1 
 

(Beachten Sie, dass der Zeilenumbruch ist nicht sichtbar, in diesem Beispiel, aber wenn Sie genau hinschauen, sehen Sie eine leere Zeile nach der "1".)

Bekommen unsere zwei-Zeichen-string, müssen wir eine andere backslash Charakter zu entkommen, die Besondere Bedeutung der ursprünglichen backslash Charakter:

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

2 \n

Was ist, wenn Sie darstellen möchten, Zeichenfolgen, die viele backslash Zeichen in Ihnen? Python-docs 2.4.1. String-Literale weiter, "String-literalen kann Optional ein Präfix mit einem Buchstaben 'r' oder 'R'; diese Zeichenfolgen werden als raw-strings und verwenden unterschiedliche Regeln für die Interpretation der backslash-escape-Sequenzen." Hier ist unsere zwei-Zeichen-string mit raw-string-Darstellung:

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

2 \n

Wir haben also drei verschiedene string-Darstellungen, alle geben den gleichen string, oder eine Sequenz von Zeichen:

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

Nun, drehen wir den regulären Ausdrücken. Die Python docs, 7.2. re — Regular expression operations sagt, "Reguläre Ausdrücke verwenden Sie den umgekehrten Schrägstrich (' \ ' ), um anzuzeigen, Besondere Formen oder spezielle Zeichen verwendet werden, ohne Berufung auf Ihre Besondere Bedeutung. Dies kollidiert mit Python die Verwendung der gleichen Zeichen für die gleichen Zwecke in string-literalen..."

Wenn Sie möchten, eine Python reguläre Ausdrücke Objekt, das entspricht einem newline-Zeichen, dann brauchen Sie eine 2-Zeichen-string, bestehend aus den backslash Zeichen, gefolgt von dem n Charakter. Die folgenden Codezeilen legen Sie prog, um einen regulären Ausdruck Objekt, das erkennt, ein neue-Zeile-Zeichen:

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

Also warum ist es, dass "In der Regel Muster, ausgedrückt in Python-code mit diesem raw-string-notation".? Da reguläre Ausdrücke sind Häufig statische strings, die sind günstig vertreten als string-Literale. Und von den verschiedenen string-literal Notationen zur Verfügung, raw-strings sind eine günstige Wahl, wenn der reguläre Ausdruck enthält eine backslash Charakter.

Fragen

Q: was ist mit dem Ausdruck re.compile(r"\s\tWord")? Eine: Es ist einfacher zu verstehen, durch die Trennung der Strings vom regulären Ausdruck Zusammenstellung, und verstehen Sie Sie separat.

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

Den string s enthält acht Buchstaben: a backslashein sein backslashein tund dann vier Zeichen Word.

Q: Was passiert mit der Tabulator-und Leerzeichen? Eine: In der Python-Sprache, level, string s nicht Registerkarte und Raum Charakter. Es beginnt mit vier Zeichen: backslashsbackslasht . Die regulären Ausdrücke, mittlerweile, behandelt diese Zeichenfolge als Quellcode in der Sprache für reguläre Ausdrücke, wo es heißt "übereinstimmung mit einer Zeichenfolge mit einem Leerzeichen, einem Tabulator-Zeichen, und die vier Zeichen Word.

Q: Wie wollen Sie mit denen übereinstimmen, wenn das behandelt wird, als Gegenreaktion-s und Schrägstrich-t? Eine: ist die Frage Vielleicht verständlicher, wenn die Worte 'du' und 'dass' sind mehr spezifisch: wie funktioniert die regulären Ausdrücke entsprechen die Ausdrücke spielfrei-s und Schrägstrich-t? Wie 'any whitespace character' und als 'Registerkarte Charakter'.

Q: Oder was ist, wenn Sie die 3-stellige Zeichenfolge backslash-n-newline? Eine: In der Sprache Python, die 3-stellige Zeichenfolge backslash-n-Zeilenumbruch dargestellt werden kann, wie herkömmlichen string "\\n\n" oder raw plus konventionellen string r"\n" "\n" oder auf andere Weise. Die regulären Ausdrücke entspricht der 3-Zeichen-Zeichenfolge backslash-n-newline, wenn es feststellt, dass ein zwei aufeinanderfolgenden newline Zeichen.

N. B. Alle Beispiele und Literaturhinweise sind auf Python 2.7.

Update: Eingebaut Klarstellungen aus den Antworten von @Vladislav Zorov und @m.buettner und von follow-up-Frage von @Aerovistae.

InformationsquelleAutor der Antwort Jim DeLaHunt

Scheinen Sie zu kämpfen, mit der Idee, dass ein RegEx ist nicht Teil von Python, sondern eine andere Programmiersprache mit eigenen parser und compiler. Raw-strings, die Ihnen helfen, den "source-code" RegEx sicher mit dem RegEx-parser, der dann von Ihnen Bedeutung auf Sequenzen von Zeichen wie \d\w\n usw...

Das Problem besteht, da Python und RegExps verwenden \ als escape-Zeichen, die ist, übrigens, ein Zufall - es gibt Sprachen mit anderen escape-Zeichen (wie "n" für einen Zeilenumbruch, aber auch dort muss man "\n" in RegExps). Der Vorteil ist, dass Sie nicht brauchen, um zu differenzieren zwischen raw und nicht-raw-strings in diesen Sprachen, die Sie nicht versuchen, konvertieren Sie den text und die Metzgerei, denn Sie reagieren auf unterschiedliche escape-Sequenzen.

InformationsquelleAutor der Antwort Vladislav Zorov

Den entsprechenden Python-Handbuch Abschnitt ("String-und Byte-Literale") hat eine eindeutige Erklärung der raw-string-Literale:

Beide string-und Byte-Literale können Optional vorangestellt werden, ein
Buchstabe 'r' oder 'R'; diese Zeichenfolgen werden als raw-strings und behandeln
einen umgekehrten Schrägstrich als literal-Zeichen. Als Ergebnis in string-literalen,
'\U' und '\u' - escapes in raw strings sind nicht speziell behandelt. Gegeben
dass Python 2.x-roh-unicode-Literale Verhalten sich anders als Python
3.x ist die 'ur' - syntax wird nicht unterstützt.

Neu in version 3.3: Das 'rb' - Präfix von raw-Byte-Literale wurde
Hinzugefügt als ein synonym von 'br'.

Neu in version 3.3: die Unterstützung für das legacy unicode-literal (u'value')
war wieder zu vereinfachen, die Wartung von dual-Python-2.x und
3.x codebase. Siehe PEP 414 für weitere Informationen.

In triple-quoted strings nicht korrekt codierten Zeilenumbrüche und Zitate sind erlaubt
(und bleiben), außer dass drei unescaped Anführungszeichen in einer Zeile
die Zeichenkette beenden. (Ein "Zitat" ist das Zeichen zum öffnen der
string, D. H. entweder ' oder ".)

Es sei denn, ein 'r' oder 'R' - Präfix vorhanden ist, escape-Sequenzen in strings
interpretiert nach Regeln ähnlich denen von Standard
C. Die anerkannten escape-Sequenzen sind:

Escape-Sequenz Bedeutung Notes

\newline ein Backslash und newline ignoriert

\ Umgekehrter Schrägstrich ()

\' Einfaches Anführungszeichen (')

\" Doppeltes Anführungszeichen (")

\eine ASCII-Glocke (BEL)

\b ASCII-Backspace (BS)

\f Formfeed-ASCII (FF)

\n ASCII-Linefeed (LF)

\r ASCII Carriage Return (CR)

\t ASCII-Horizontal Tab (TAB)
\v ASCII Vertical Tab (VT)

\ooo Zeichen mit oktal-Wert ooo - (1,3)

\xhh Zeichen mit dem Hexadezimalwert hh (2,3)

Escape-Sequenzen werden nur anerkannt, string-Literale sind:

Escape-Sequenz Bedeutung Notes \N{name} Zeichen mit dem Namen name in der
Unicode-Datenbank (4) \uxxxx-Zeichen mit 16-bit-hex-Wert xxxx (5)
\Uxxxxxxxx Charakter mit 32-bit-hex-Wert xxxxxxxx (6)

Hinweise:

1. Als in Standard-C, bis zu drei oktalen Ziffern sind angenommen.

2. Im Gegensatz zu Standard-C, genau zwei hex-Ziffern sind erforderlich.

3. In ein Byte-literal -, hexadezimal-und octal escapes bezeichnen das byte mit dem angegebenen Wert. In ein string-literal ist, diese Ausflüge um eine
   Unicode-Zeichen mit dem angegebenen Wert.

4. Geändert in version 3.3: - Unterstützung für name aliases [1] wurde Hinzugefügt.

5. Einzelnen code-Einheiten, die form Teile eines Surrogat-paar kodiert werden können verwenden Sie diese escape-Sequenz. Genau vier hex-Ziffern sind
   erforderlich.

6. Jedes beliebige Unicode-Zeichen kodiert werden können, diese Möglichkeit aber von Zeichen außerhalb der Basic Multilingual Plane (BMP) werden verschlüsselt, wobei ein
   ersatzpaar, wenn Python kompiliert wird, verwenden Sie 16-bit-code-Einheiten (die
   Standard). Genau acht hexadezimale Ziffern sind erforderlich.

Im Gegensatz zu Standard-C, alle unrecognized escape-Sequenzen sind Links in der
string unverändert, D. H., der backslash ist Links in der Zeichenfolge. (Dies
Verhalten ist nützlich beim Debuggen: wenn eine escape-Sequenz ist falsch,
die resultierende Ausgabe ist leichter erkannt als defekt.) Es ist auch
wichtig zu beachten, dass die escape-Sequenzen erkennt nur in string
Literale fallen in die Kategorie der unerkannt entkommt für ein Byte
Literale.

Sogar in einem raw-string, string-Anführungszeichen mit Backslashes,
aber der Schrägstrich bleibt in der Zeichenfolge; zum Beispiel, r"\"" eine gültige
string-literal, das aus zwei Zeichen: einem umgekehrten Schrägstrich und einem Doppel
Zitat; r"\" ist kein Gültiger string-literal (auch ein raw-string nicht
Ende in eine ungerade Anzahl von backslashes). Genauer gesagt, ein raw-string
kann nicht enden in einem einzelnen umgekehrten Schrägstrich (da der backslash würde entkommen
folgende Anführungszeichen). Beachten Sie auch, dass ein einzelner umgekehrter Schrägstrich gefolgt
von einem Zeilenumbruch interpretiert wird, als diese zwei Zeichen als Teil des
string, nicht als zeilenfortsetzung.

InformationsquelleAutor der Antwort Lorenzo Gatti