compile - re python doc

¿Por qué la búsqueda de expresiones regulares en la subcadena "no es completamente equivalente a cortar la cadena" en Python?

Question

Como se indica en la documentation , el uso de regex.search(string, pos, endpos) no es completamente equivalente a cortar la cadena, es decir, regex.search(string[pos:endpos]) . No hará una coincidencia de expresiones regulares como si la cadena comenzara desde pos , por lo que ^ no coincide con el principio de la subcadena , sino que solo coincide con el principio real de toda la cadena. Sin embargo, $ coincide con el final de la subcadena o con toda la cadena.

    >>> re.compile(''^am'').findall(''I am falling in code'', 2, 12)
    []        # am is not at the beginning
    >>> re.compile(''^am'').findall(''I am falling in code''[2:12])
    [''am'']    # am is the beginning
    >>> re.compile(''ing$'').findall(''I am falling in code'', 2, 12)
    [''ing'']   # ing is the ending
    >>> re.compile(''ing$'').findall(''I am falling in code''[2:12])
    [''ing'']   # ing is the ending

    >>> re.compile(''(?<= )am'').findall(''I am falling in code'', 2, 12)
    [''am'']    # before am there is a space
    >>> re.compile(''(?<= )am'').findall(''I am falling in code''[2:12])
    []        # before am there is no space
    >>> re.compile(''ing(?= )'').findall(''I am falling in code'', 2, 12)
    []        # after ing there is no space
    >>> re.compile(''ing(?= )'').findall(''I am falling in code''[2:12])
    []        # after ing there is no space

    >>> re.compile(r''/bm.....'').findall(''I am falling in code'', 3, 11)
    []
    >>> re.compile(r''/bm.....'').findall(''I am falling in code''[3:11])
    [''m fall'']
    >>> re.compile(r''.....n/b'').findall(''I am falling in code'', 3, 11)
    [''fallin'']
    >>> re.compile(r''.....n/b'').findall(''I am falling in code''[3:11])
    [''fallin'']

Mis preguntas son ... ¿Por qué no es coherente entre el inicio y el final ? ¿Por qué usar pos y endpos trata el final como el final real, pero el inicio / comienzo no se trata como el comienzo / comienzo real?

¿Hay algún enfoque para hacer que el uso de pos y endpos imiten el corte? Como Python copia la cadena al cortar en lugar de solo hacer referencia a la antigua, sería más eficiente usar pos y endpos lugar de cortar cuando se trabaja con la cadena grande varias veces.

Answer 1

El argumento pos posición inicial es especialmente útil para hacer analizadores léxicos, por ejemplo. La diferencia de rendimiento entre cortar una cadena con [pos:] y usar el parámetro pos puede parecer insignificante, pero ciertamente no lo es; Ver por ejemplo este informe de error en el lexer JsLex .

De hecho, el ^ coincide con el comienzo real de la cadena; o, si se especifica MULTILINE , también al principio de la línea; esto también es así por diseño, de modo que un escáner basado en expresiones regulares pueda distinguir fácilmente entre el comienzo real de la línea / comienzo de la entrada y solo algún otro punto en una línea / dentro de la entrada.

Tenga en cuenta que también puede usar la función regex.match(string[, pos[, endpos]]) para anclar la coincidencia a la cadena de inicio o en la posición especificada por pos ; asi en lugar de hacer

>>> re.compile(''^am'').findall(''I am falling in code'', 2, 12)
[]

En general, se implementaría un escáner como

>>> match = re.compile(''am'').match(''I am falling in code'', 2, 12)
>>> match
<_sre.SRE_Match object; span=(2, 4), match=''am''>

y luego establezca la pos en match.end() (que en este caso devuelve 4) para las sucesivas operaciones de coincidencia.

El partido debe encontrarse exactamente en la pos :

>>> re.compile(''am'').match(''I am falling in code'', 1, 12)
>>> 

(Observe cómo el .match está anclado al comienzo de la entrada como si fuera implícito ^ pero no al final de la entrada; de hecho, esto es a menudo una fuente de errores, ya que las personas creen que la coincidencia tiene ambos, implícito ^ y $ - Python 3.4 Agregado el regex.fullmatch que hace esto)

En cuanto a por qué el parámetro endpos no es coherente con la pos , eso no lo sé exactamente, pero también tiene sentido para mí, ya que en Python 2 no hay una fullmatch y el anclaje con $ es la única manera de garantizar que todo el lapso debe coincidir.

Answer 2

Esto suena como un error en Python, pero si desea hacer un corte por referencia en lugar de copiar las cadenas, puede usar el buffer incorporado de Python.

Por ejemplo:

s = "long string" * 100
buf = buffer(s)
substr = buf([5:15])

Esto crea una subcadena sin copiar los datos, por lo que debería permitir una división eficiente de cadenas grandes.