Python的正則表達式編譯

Question

誰寫了下面的線路可能使用Python包稱爲regex程序員。

UNIT = regex.compile("(?:{A}(?:'{A})?)++|-+|\S".format(A='\p{Word_Break=ALetter}')) 

有人能幫忙解釋一下A='\p{Word_Break=ALetter}'和-+手段？

Answer 1

的\p{property=value}操作上的Unicode碼點的屬性相匹配，幷包索引頁上記錄您鏈接到：

• 的Unicode碼點的屬性，包括腳本和塊

  \p{property=value}; \P{property=value}; \p{value} ; \P{value} 
  

入口任何Unicode字符，其匹配合作depoint與價值ALetter一個Word_Break property（目前有以Unicode碼點數據庫24941根火柴，看到Unicode Text Segmentation, Word Boundaries chapter specifiation瞭解詳細信息）。

你給的例子還使用標準的Python string formatting的部分表達插值到正則表達式被編譯。 「{A}」部分只是.format(A='...')部分的佔位符。最終的結果是：

"(?:\p{Word_Break=ALetter}(?:'\p{Word_Break=ALetter})?)++|-+|\S" 

的-+序列只是匹配1個或多個-破折號，就像在Python re模塊表情，這不是什麼特別的東西，真的。

現在，++之前這是更有趣。這是一個possessive quantifier，使用它可以防止正則表達式匹配器嘗試所有可能的模式排列。這是一個性能優化，可以防止catastrophic backtracking問題。