C 风格注释中的 Python 正则表达式阅读

Question

我试图在 ac 文件中找到 c 风格的注释，但如果引号中碰巧有 // ，我就会遇到麻烦。这是文件：

/*My function
is great.*/
int j = 0//hello world
void foo(){
    //tricky example
    cout << "This // is // not a comment\n";
}

它将与那个 cout 匹配。这是我到目前为止所拥有的（我已经可以匹配 /**/ 评论了）

fp = open(s)

p = re.compile(r'//(.+)')
txt = p.findall(fp.read())
print (txt)

Answer 1

第一步是确定哪些情况//或/*不得解释为注释子字符串的开头。例如，当它们位于字符串内（引号之间）时。为了避免引号（或其他东西）之间的内容，诀窍是将它们放在一个捕获组中并在替换模式中插入一个反向引用：

图案：

(
    "(?:[^"\\]|\\[\s\S])*"
  |
    '(?:[^'\\]|\\[\s\S])*'
)
|
//.*
|
/\*(?:[^*]|\*(?!/))*\*/

替代品：

\1

在线演示

由于引用的部分首先搜索，因此每次您找到//or 时/*...*/，您都可以确定您不在字符串内。

请注意，该模式是自愿的低效（由于(A|B)*子模式）以使其更易于理解。为了提高效率，您可以像这样重写它：

("(?=((?:[^"\\]+|\\[\s\S])*))\2"|'(?=((?:[^'\\]+|\\[\s\S])*))\3')|//.*|/\*(?=((?:[^*]+|\*(?!/))*))\4\*/

(?=(something+))\1只是一种模拟原子组的方法 (?>something+)

在线演示

因此，如果您只想查找注释（而不是删除它们），最方便的是将模式的注释部分放在捕获组中并测试它是否不为空。以下模式已被修改（在 Jonathan Leffler 评论之后）来处理??/被预处理器解释为反斜杠字符的三合字母（我假设代码不是为-trigraphs选项编写的）并处理反斜杠后跟换行符允许在多行上格式化一行：

fp = open(s)

p = re.compile(r'''(?x)
(?=["'/])      # trick to make it faster, a kind of anchor
(?:
    "(?=((?:[^"\\?]+|\?(?!\?/)|(?:\?\?/|\\)[\s\S])*))\1" # double quotes string
  |
    '(?=((?:[^'\\?]+|\?(?!\?/)|(?:\?\?/|\\)[\s\S])*))\2' # single quotes string
  |
    (
        /(?:(?:\?\?/|\\)\n)*/(?:.*(?:\?\?|\\)/\n)*.* # single line comment
      |
        /(?:(?:\?\?/|\\)\n)*\*                       # multiline comment
        (?=((?:[^*]+|\*+(?!(?:(?:\?\?/|\\)\n)*/))*))\4
        \*(?:(?:\?\?/|\\)\n)*/             
    )
)
''')

for m in p.findall(fp.read()):
    if (m[2]):    
        print m[2]

这些更改不会影响模式效率，因为正则表达式引擎的主要工作是查找以引号或斜线开头的位置。通过在模式开始处存在前瞻(?=["'/])，允许内部优化快速找到第一个字符，可以简化此任务。

另一种优化是使用模拟原子组，将回溯减少到最小，并允许在重复组内使用贪婪量词。

注意：C 中可能没有heredoc 语法！