python findall、分组和管道

Question

x = "type='text'"
re.findall("([A-Za-z])='(.*?)')", x) # this will work like a charm and produce
                                     # ['type', 'text']

不过，我的问题是我想实现一个管道（选择），这样同一个正则表达式就可以适用于

x = 'type="text"' # see the quotes

基本上，下面这个正则表达式应该可以用，但用findall的时候结果却很奇怪：

([A-Za-z])=('(.*?)')|"(.*?)")

而且我不能用['"]来代替管道，因为这样可能会导致不好的结果：

value="hey there what's up?"

那么，我该如何构建一个可以同时适用于单引号和双引号的正则表达式呢？顺便说一下，请不要建议任何html或xml解析器，因为我对它们不感兴趣。

Answer 1

问题在于，([A-Za-z]+)=('(.*?)'|"(.*?)") 这个表达式里有四个分组，但你只需要两个（这可能就是你觉得结果奇怪的原因）。如果你用 ([A-Za-z]+)=('.*?'|".*?")，那么就没问题了。记住，你可以通过加上 (?:) 来排除分组，这样就可以写成：([A-Za-z]+)=('(?:.*?)'|"(?:.*?)")。

编辑：我刚意识到这个解决方案会包含你不想要的引号。不过你可以很容易地把它们去掉。你也可以使用回溯引用，但那样会多出一个分组，最后需要把它去掉，比如：

import re
from operator import itemgetter

x = "type='text' TYPE=\"TEXT\""
print map(itemgetter(0,2), re.findall("([A-Za-z]+)=(['\"])(.*?)\\2", x)) 

这样会得到 [('type', 'text'), ('TYPE', 'TEXT')]。

Answer 2

这里用 shlex 会更合适，但如果你坚持要用 re，可以试试这个表达式：([A-Za-z]+)=(?P<quote>['"])(.+?)(?P=quote)