特定项前的负正则表达式

Question

我想解析一个LaTeX文档并用一个特殊的命令标记它的一些术语。具体来说，我有一个术语列表，比如：

Astah
UML
use case
...

我想用这个自定义命令来标记文本中第一个出现的Astah：\gloss{Astah}。到目前为止，这是可行的（使用Python）：

for g in glossary:
    pattern = re.compile(r'(\b' + g + r'\b)', re.I | re.M)
    text = pattern.sub(start + r'\1' + end, text, 1)

而且效果很好。你知道吗

但后来我发现：

• 我不希望匹配LaTeX内联注释后面的术语（因此术语前面有一个或多个%）
• 我不希望匹配节标题中的术语（即\section{term}或\paragraph{term}）

所以我试了这个：

for g in glossary:
    pattern = re.compile(r'(^[^%]*(?!section{))(\b' + g + r'\b)', re.I | re.M)
    text = pattern.sub(r'\1' + start + r'\2' + end, text, 1)

但它匹配注释中前面有其他字符的术语，也匹配标题中的术语。你知道吗

是不是关于正则表达式的“贪婪”我不明白？或者问题出在别的地方？你知道吗

举个例子，如果我有这段文字：

\section{Astah}
Astah is a UML diagramming tool... bla bla...
% use case:
A use case is a...

我想把它变成：

\section{Astah}
\gloss{Astah} is a \gloss{UML} diagramming tool... bla bla...
% use case:
A \gloss{use case} is a...

Answer 1

这里的诀窍是使用一个regex，从行首开始匹配，因为这允许我们检查要匹配的单词前面是否有注释：

^([^%\n]*?)(?<!\\section{)(?<!\\paragraph{)\b(Astah)\b

需要多行标志m。此正则表达式的出现将替换为\1\\gloss{\2}。你知道吗

Answer 2

这是我的两分钱：

首先，我们需要使用regex module by Matthew Barnett。它带来了许多有趣的特性。在这种情况下，它的一个特性可能很有用，即添加的(*SKIP)和(*FAIL)。你知道吗

从documentation：

• Added (*PRUNE), (*SKIP) and (*FAIL) (Hg issue 153)

(*PRUNE) discards the backtracking info up to that point. When used in an atomic group or a lookaround, it won’t affect the enclosing pattern.

(*SKIP) is similar to (*PRUNE), except that it also sets where in the text the next attempt to match will start. When used in an atomic group or a lookaround, it won’t affect the enclosing pattern.

(*FAIL) causes immediate backtracking. (*F) is a permitted abbreviation.

因此，让我们构建模式并使用regex模块进行测试：

import regex

pattern = regex.compile(r'%.*(*SKIP)(*FAIL)|\\section{.*}(*SKIP)(*FAIL)|(Astah|UML|use case)')

s = """
    \section{Astah}
    Astah is a UML diagramming tool... bla bla...
    % use case:
    A use case is a...
"""


print regex.sub(pattern, r'\\gloss{\1}', s)

输出：

\section{Astah}
\gloss{Astah} is a \gloss{UML} diagramming tool... bla bla...
% use case:
A \gloss{use case} is a...

模式：

这句话很好地说明了这一点：

the trick is to match the various contexts we don't want so as to "neutralize them".

在左边，我们将写下我们不想要的上下文。在右边（最后一部分），我们捕捉到我们真正想要的东西。所以所有的上下文都被一个交替符号|分开，最后一个（我们想要的）被捕获。你知道吗

因为在这种情况下，我们将进行更换，所以我们需要（*跳过）（*失败）以保持我们不想更换的匹配零件完好无损。你知道吗

模式的含义：

%.*(*SKIP)(*FAIL)|\\section{.*}(*SKIP)(*FAIL)|(Astah|UML|use case)

%.*(*SKIP)(*FAIL)              # Matches the pattern but skip and fail
|                              # or
\\section{.*}(*SKIP)(*FAIL)    # Matches the pattern but skip and fail
|                              # or
(Astah|UML|use case)           # Matches the pattern and capture it. 

这个简单的技巧在RexEgg上更为详细。你知道吗

希望有帮助。你知道吗