Python的正则表达式编译

Question

谁写了下面的线路可能使用Python包称为regex程序员。

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

有人能帮忙解释一下A='\p{Word_Break=ALetter}'和-+手段？

Answer 1

的\p{property=value}操作上的Unicode码点的属性相匹配，并包索引页上记录您链接到：

• 的Unicode码点的属性，包括脚本和块

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

入口任何Unicode字符，其匹配合作depoint与价值ALetter一个Word_Break property（目前有以Unicode码点数据库24941根火柴，看到Unicode Text Segmentation, Word Boundaries chapter specifiation了解详细信息）。

你给的例子还使用标准的Python string formatting的部分表达插值到正则表达式被编译。 “{A}”部分只是.format(A='...')部分的占位符。最终的结果是：

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

的-+序列只是匹配1个或多个-破折号，就像在Python re模块表情，这不是什么特别的东西，真的。

现在，++之前这是更有趣。这是一个possessive quantifier，使用它可以防止正则表达式匹配器尝试所有可能的模式排列。这是一个性能优化，可以防止catastrophic backtracking问题。