正则表达式和转义序列

Question

我有一个文件，里面列出了要在数据库中查找的正则表达式。

其中一个模式是 (/|\)cmd\.com$。但是当我用这个模式配合 re 模块时，会出现下面的错误。如果我把正则表达式改成 (/|\\\\)cmd\.com$，就可以正常工作了。

所以，我的问题是，当我从文件中读取到一个变量，比如说 a，如何把它转换成一个正则表达式，并且需要四个反斜杠，这样它才能在 Python 的 re 模块中正常使用。

另外，当正则表达式被赋值给一个变量，比如下面的 "a"，我们该如何处理这些转义序列呢？

任何帮助都非常感谢。

import re
a='(/|\)cmd\.com$'
re.compile(a)

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.6/re.py", line 190, in compile
    return _compile(pattern, flags)
  File "/usr/lib/python2.6/re.py", line 245, in _compile
    raise error, v # invalid expression
sre_constants.error: unbalanced parenthesis

谢谢，

Santhosh

Answer 1

在你上面的例子中，你需要把正则表达式的模式写成Python的“原始”字符串，像这样：

  re.compile(r'put the pattern here')

如果你把你的代码发出来，我可能能帮你解决关于从文件加载模式的问题。

Answer 2

首先要注意，你原来的正则表达式是无效的。正确的写法应该是 (/|\\)cmd\.com$。如果这样的字符串是从数据库（或者其他非代码中的字符串来源）获取的，那么在正则引擎看到它之前不需要做额外的处理——斜杠是正确的。

详细解释如下：

反斜杠是特殊的，它可以让其他字符有不同的含义。

a = '(/|\)cmd\.com$'

在这个正则表达式中，)是特殊的，表示一个分组表达式的结束；反斜杠用来转义它，使其被解释为字面上的 )，而不是你想要的那样（这就是为什么你会收到关于括号不匹配的错误）。

你需要转义反斜杠，让它被解释为字面上的 \；这可以通过再加一个反斜杠来实现：

a = '(/|\\)cmd\.com$'

不过即使这样也不行，因为在Python中有两个处理层次（因此需要两个层次的转义）：首先，字符串字面量会被评估，反斜杠会被特别处理（在字符串处理中，比如 \. 是没有意义的，所以会被评估为 \.——而 \\ 会被评估为 \）。然后，当正则引擎获取这个字符串时，它会特别处理那个对象中的任何字面反斜杠（在正则处理中，比如 \. 会让 . 被视为字面量，而不是“任何字符”）。所以你最终得到的是：

a = '(/|\\\\)cmd\\.com$'    # Escaped version of (/|\\)cmd\.com$ which is what regex engine will see

因为这个问题非常常见，Python提供了一种写字符串的方法，使得反斜杠在字符串处理阶段 不会 被特别对待：“原始”字符串字面量：

a = r'(/|\\)cmd\.com$'    # backslashes here will be interpreted as literal \ characters

正则引擎仍然会特别处理字符串中的反斜杠（原始字符串只是一种写字面量的方式；它仍然会生成一个普通的 str 对象）。