Python正则表达式问题：剥离多行注释，但维护一行b

Question

我正在分析一个源代码文件，我想删除所有行注释（即以“/”开头）和多行注释（即/。。。。/）。但是，如果多行注释中至少有一个换行符（\n），则我希望输出只有一个换行符。

例如，代码：

qwe /* 123
456 
789 */ asd

应该变成：

qwe
asd

而不是“qweasd”或：

qwe

asd

最好的方法是什么？ 谢谢

---

编辑： 测试示例代码：

comments_test = "hello // comment\n"+\
                "line 2 /* a comment */\n"+\
                "line 3 /* a comment*/ /*comment*/\n"+\
                "line 4 /* a comment\n"+\
                "continuation of a comment*/ line 5\n"+\
                "/* comment */line 6\n"+\
                "line 7 /*********\n"+\
                "********************\n"+\
                "**************/\n"+\
                "line ?? /*********\n"+\
                "********************\n"+\
                "********************\n"+\
                "********************\n"+\
                "********************\n"+\
                "**************/\n"+\
                "line ??"

预期结果：

hello 
line 2 
line 3  
line 4
line 5
line 6
line 7
line ??
line ??

Answer 1

comment_re = re.compile(
    r'(^)?[^\S\n]*/(?:\*(.*?)\*/[^\S\n]*|/[^\n]*)($)?',
    re.DOTALL | re.MULTILINE
)

def comment_replacer(match):
    start,mid,end = match.group(1,2,3)
    if mid is None:
        # single line comment
        return ''
    elif start is not None or end is not None:
        # multi line comment at start or end of a line
        return ''
    elif '\n' in mid:
        # multi line comment with line break
        return '\n'
    else:
        # multi line comment without line break
        return ' '

def remove_comments(text):
    return comment_re.sub(comment_replacer, text)

• (^)?如果注释从行的开头开始，只要使用MULTILINE-标志，则将匹配。
• [^\S\n]将匹配除换行符以外的任何空白字符。如果评论从自己的行开始，我们不想匹配换行符。
• /\*(.*?)\*/将匹配多行注释并捕获内容。延迟匹配，因此我们不匹配两个或多个注释。DOTALL-标志使.匹配新行。
• //[^\n]将匹配单行注释。由于DOTALL标志，无法使用.。
• ^只要使用MULTILINE标志，如果注释停在行的末尾，则{}将匹配。

示例：

>>> s = ("qwe /* 123\n"
         "456\n"
         "789 */ asd /* 123 */ zxc\n"
         "rty // fgh\n")
>>> print '"' + '"\n"'.join(
...     remove_comments(s).splitlines()
... ) + '"'
"qwe"
"asd zxc"
"rty"
>>> comments_test = ("hello // comment\n"
...                  "line 2 /* a comment */\n"
...                  "line 3 /* a comment*/ /*comment*/\n"
...                  "line 4 /* a comment\n"
...                  "continuation of a comment*/ line 5\n"
...                  "/* comment */line 6\n"
...                  "line 7 /*********\n"
...                  "********************\n"
...                  "**************/\n"
...                  "line ?? /*********\n"
...                  "********************\n"
...                  "********************\n"
...                  "********************\n"
...                  "********************\n"
...                  "**************/\n")
>>> print '"' + '"\n"'.join(
...     remove_comments(comments_test).splitlines()
... ) + '"'
"hello"
"line 2"
"line 3 "
"line 4"
"line 5"
"line 6"
"line 7"
"line ??"
"line ??"

编辑：

• 更新为新规范。
• 添加了另一个示例。

Answer 2

这就是你要找的吗？

>>> print(s)
qwe /* 123
456
789 */ asd
>>> print(re.sub(r'\s*/\*.*\n.*\*/\s*', '\n', s, flags=re.S))
qwe
asd

这只适用于那些不止一行的评论，而不会影响其他评论。

Answer 3

事实上，你甚至不得不问这个问题，并且给出的解决方案，我们可以说，不完全可读：-）应该是一个很好的迹象，表明REs不是这个问题的真正答案。

从可读性的角度来看，您最好将其实际编码为一个相对简单的解析器。

很多时候，人们试图用REs来表现“聪明”（我不是说用贬义的方式），认为一句台词是优雅的，但他们最终得到的只是一堆无法弥补的字符。我宁愿有一个完整的评论20行解决方案，我可以在一瞬间理解。