正则表达式：给定一个字符串，在双引号中查找子字符串，在双引号中查找子字符串

Question

例如：

如果字符串是'“普通”脚本' - 输出应该显示子字符串normal是双引号而子字符串script不是。

要从字符串中跟踪双引号子字符串，我尝试使用正则表达式：

r'“（[^”] *）“'

我们可以使用split()方法来获取没有双引号的子字符串，但我正在寻找一种有效的方法。

下面是我尝试过的代码 - 它返回双引号的子串列表。

import re
def demo(text):      
    matches = re.findall(r'"([^"]*)"', text)
    return matches

a = demo('"normal" string "is here"')
print(a)

除了找到双引号子串之外，我还在寻找不是双引号的子串。

例如，demo('"normal" string "is here"')的输出应为：

双引号：['normal', 'is here']

非双引号：['string']

Answer 1

您可以在同一正则表达式中搜索带引号和双引号的字符串。

import re

def dequote(s):
    return re.findall(r'(?:"([^"]*)")|([^"]*)', s)

print(dequote('"normal" script'))
print(dequote('another "normal" script with "extra words in it"'))

通知返回的元组列表包含带引号和非带引号的字符串。引用的字符串位于元组的第一个元素中，非引用的字符串位于第二个元素中。

如果您希望将列表分开，则将它们分开是一件简单的事情。

result = dequote('another "normal" script with "extra words in it"')

result_quoted = [t[0].strip() for t in result if t[0]]
result_unquoted = [t[1].strip() for t in result if t[1]]

print("double quoted: {}\nnot double quoted{}".format(
    result_quoted, result_unquoted))

整个程序的输出：

$ python x.py 
[('normal', ''), ('', ' script'), ('', '')]
[('', 'another '), ('normal', ''), ('', ' script with '), ('extra words in it', ''), ('', '')]
double quoted: ['normal', 'extra words in it']
not double quoted['another', 'script with']

请注意，您暗示基于re的解决方案将比基于str.split()的解决方案更快。我不相信这一点。考虑这两个解决方案：

def dequote_re(s):
    result = re.findall(r'(?:"([^"]*)")|([^"]*)', s)
    result_quoted = [t[0].strip() for t in result if t[0]]
    result_unquoted = [t[1].strip() for t in result if t[1]]
    return result_quoted, result_unquoted

def dequote_split(s):
    result = s.split('"')
    result_unquoted = [item.strip() for item in result[0::2] if item]
    result_quoted = [item.strip() for item in result[1::2] if item]
    return result_quoted, result_unquoted

他们给出了相同的答案。也许你应该运行timeit来找到哪个更快。

Answer 2

使用regex模块：

>>> import re, regex
>>> s='"normal" string "is here"'

>>> re.findall(r'"([^"]*)"', s)
['normal', 'is here']

# change \w to appropriate character class as needed
>>> regex.findall(r'"[^"]*"(*SKIP)(*F)|\w+', s)
['string']

# or a workaround, remove double quoted strings first
>>> re.findall(r'\w+', re.sub(r'"([^"]*)"', '', s))
['string']

有关详细说明，请参阅Using (*SKIP)(*FAIL) to Exclude Unwanted Matches。简单地说，将(*SKIP)(*F)附加到你要排除的正则表达式并使用交替定义你需要的那些

Answer 3

如果你有相当大的字符串，你可以使用正则表达式来计算事件并设法将它分成更小的部分（取决于你期望得到的和从哪里获得）。

看来你的子串就是单词。对于双引号或非双引号字符串，您可以通过子字符串拆分并将其作为列表进行ititerate。

使用双引号或非双引号分割可能需要创建两个列表。

通过单词拆分，您可以创建单个单词列表，并在输出时检查双引号。

两种情况的成本几乎相同，具体取决于您获得的字符串大小。

我建议使用https://regexr.com并尝试尽可能多地获取您可以处理的字符串。

我最好的。

Answer 4

我知道split()是最快的，replace()比正则表达式快，所以：

output = '"normal" script'.replace('"', '').split()

输出：['normal', 'script']

执行时间：qazxsw poi使用正则表达式，你在3.490e-05 seconds和0.2e-04之间得到时间