Регулярное выражение для сопоставления различных типов нумерованных списков - PullRequest
Новая
       42

Регулярное выражение для сопоставления различных типов нумерованных списков

1 голос
/ 27 июня 2010

Я хотел бы создать (PCRE) регулярное выражение, чтобы соответствовать всем обычно используемым нумерованным спискам, и я хотел бы поделиться своими мыслями и собрать информацию о том, как это сделать.

У меня естьопределил «списки» как набор канонических англосаксонских соглашений, то есть

Числа 

1 2 3
1. 2. 3.
1) 2) 3)
(1) (2) (3)
1.1 1.2 1.2.1
1.1. 1.2. 1.3.
1.1) 1.2) 1.3)
(1.1) (1.2) (1.3)

Буквы 

a b c
a. b. c.
a) b) c)
(a) (b) (c) 
A B C
A. B. C. 
A) B) C)
(A) (B) (C)

Римские цифры 

i ii iii
i. ii. iii.
i) ii) iii)
(i) (ii) (iii)
I II III
i. ii. iii.
i) ii) iii)
(i) (ii) (iii)

Я хотел бы знать, насколько сильный набор списков, и есть ли другие соглашения о нумерации, которые должны быть там, и если любое из них должно быть удалено.

Вот регулярное выражениеЯ создал, чтобы решить эту проблему (в Python ): 

numex = r'(?:\d{1,3}'\   # 1, 2, 3
    '(?:\.\d{1,3}){0,4}'\ # 1.1, 1.1.1.1
    '|[A-Z]{1,2}'\        # A. B. C.
    '|[ivxcl]{1,6}'       # i, iii, ...

rex = re.compile(r'(\(?%s\)|%s\.?)' % numex, re.I) # re.U?

rex.match("123. Some paragraph")

Я хотел бы знать, насколько адекватно это регулярное выражение для этой проблемы, и если есть другие альтернативы (regex или иным образом) решения.

Кстати, для моего конкретного случая использования я бы не ожидал, что номера списков превышают 25-50.

Спасибо за чтение.

Brian

Ответы [ 2 ]

1 голос
/ 27 июня 2010

Вот решение Wikified: 

 numex = r"""^(?:
      \d{1,3}                 # 1, 2, 3
          (?:\.\d{1,3}){0,4}  # 1.1, 1.1.1.1
    | [B-H] | [J-Z]         # A, B - Z caps at 26.
    | [AI](?!\s)            # Note: "A" and "I" can properly start non-lists
    | [a-z]                 # a - z
    | [ivxcl]{1,6}          # Roman ii, etc
    | [IVXCL]{1,6}          # Roman IV, etc.
    )
    """

 rex = re.compile(r'^\s*(\(?%s\)|%s\.?)\s+(.*)'
   % (numex, numex), re.X)

Дополнения, изменения и предложения приветствуются.

1 голос
/ 27 июня 2010

Я бы изменил, по крайней мере, одну вещь, и это добавило бы якоря границ слова вокруг вашего регулярного выражения, иначе это будет соответствовать каждой отдельной букве в любом тексте: 

rex = re.compile(r'(\(?\b%s\)|\b%s\b\.?)' % (numex, numes), re.I|re.M)

Это немного помогает, но, конечно, любое одно- или двухбуквенное слово все равно будет совпадать.

Возможно, вы захотите закрепить поиск в начале строки; после того, как все эти символы должны быть первыми в строке (кроме, возможно, пробелов). Отрицательный lookbehind не будет писать слова в Python, потому что Python не поддерживает lookbehind переменной длины, так что вы можете добавить это вне соответствующих скобок: 

rex = re.compile(r'^\s*(\(?%s\)|%s\b\.?)' % (numex, numex), re.I|re.M)

Конечно, теперь вы должны смотреть на group(1) объекта сопоставления, чтобы получить только фактическое совпадение, а не начальный пробел.

Вы по-прежнему будете слишком много совпадать (например, предложения, начинающиеся с I thought so или It was a dark and stormy night, но ваши правила позволяют это, и я думаю, что вы это знаете.

...