Python与re2c正则表达式中的字符集区别

Question

在正则表达式中，字符集是用方括号 [] 来表示的。字符集可以匹配方括号内的任意一个字符。例如， [abc] 就可以匹配 'a'、'b' 或 'c' 中的任意一个。

我发现 Python 和 re2c 的字符集可能会有一些不同。不过我知道它们有一些相同之处：

• 两者都可以使用范围，比如 [a-z] 可以匹配所有的小写字母。
• 两者都可以使用 [^...] 的方式来表示反向字符集。
• 两者都可以匹配常见的字母数字字符和一些其他字符（比如空格等）。

但是我担心这些地方可能会有不同：

• 在字符集中需要转义的字符。
• 如果我想匹配 '-' 或 '^' 这个字符，而不是表示反向字符集或范围，我应该把它放在字符集的哪个位置。

你能解释一下 Python 和 re2c 的字符集之间的区别吗？

Answer 1

我会对任何可能引起混淆的东西进行处理 -

/[][]/ 可以匹配到 ']' 或 '['
/[[]]/ 可以匹配到 '[]'
/[]]]/ 可以匹配到 ']]'
/[[[]/ 可以匹配到 '['
/[]/ 是一个未匹配的 '[' 错误

Answer 2

根据你提供的re2c手册链接，re2c使用的语法和其他地方的语法很相似，只是它只用了一部分。

接下来我来回答你关于正则表达式语法的具体问题。

在字符集里面需要被转义的字符。

你具体指的是哪些字符呢？

在字符集中，字面意思的-或^应该放在哪里...

对于^，放在开头以外的地方都可以；而-则是放在中间以外的地方都可以。

>>> import re
>>> match_literal_hyphen = "[ab-]"
>>> re.findall(match_literal_hyphen, "abc - def")
['a', 'b', '-']
>>> match_literal_caret = "[a^b]"
>>> re.findall(match_literal_caret, "abc ^ def")
['a', 'b', '^']