正则表达式匹配逗号分隔的 key=value 列表，其中 value 可以包含逗号

Posted 2023-02-23

【中文标题】正则表达式匹配逗号分隔的 key=value 列表，其中 value 可以包含逗号

【英文标题】：Regular expression to match comma separated list of key=value where value can contain commas

【发布时间】：2013-01-16 11:55:33

【问题描述】：

我有一个简单的“解析器”，它只是做一些类似的事情：[x.split('=') for x in mystring.split(',')]

但是 mystring 可以是类似'foo=bar,breakfast=spam,eggs'

显然， 天真的分离器不会这样做。为此，我仅限于 Python 2.6 标准库， 所以比如pyparsing就不能用了。

预期输出为[('foo', 'bar'), ('breakfast', 'spam,eggs')]

我正在尝试使用正则表达式执行此操作，但遇到以下问题：

我的第一次尝试r'([a-z_]+)=(.+),?' 给我[('foo', 'bar,breakfast=spam,eggs')]

显然， 使.+ 不贪婪并不能解决问题。

所以， 我猜我必须以某种方式强制最后一个逗号（或$）。 这样做并没有真正起作用，r'([a-z_]+)=(.+?)(?:,|$)' 就像省略了包含一个的值中逗号后面的内容一样， 例如[('foo', 'bar'), ('breakfast', 'spam')]

我想我必须使用某种后视（？）操作。问题 1. 我使用哪个？或 2. 如何我这样做/这样做？

编辑：

根据daramarak下面的回答， 我最终做了与abarnert 几乎相同的事情，后来suggested 做了更详细的形式；

vals = [x.rsplit(',', 1) for x in (data.split('='))]
ret = list()
while vals:
    value = vals.pop()[0]
    key = vals[-1].pop()
    ret.append((key, value))
    if len(vals[-1]) == 0:
        break

编辑 2：

只是为了满足我的好奇心，这真的可以用 pure 正则表达式吗？也就是说，re.findall() 会返回一个 2 元组列表？

【问题讨论】：

你的预期输出是什么？

为什么不用分号 (foo=bar;breakfast=spam,eggs)？

@RohitJain 键位于= 的左侧，值位于右侧。在= 的左侧始终是一个键。新的键值对也使用逗号分隔。对吗？

mystring.split(',').split('=')?将.split('=') 应用于list 对象？

@OscarMederos 对，这不是实际代码，因为它有点混乱。我会解决的。

【参考方案1】：

我能否建议您像以前一样使用拆分操作。但先在等号处分割，然后在最右边的逗号处分割，以形成一个左右字符串列表。

input =
"bob=whatever,king=kong,banana=herb,good,yellow,thorn=hurts"

第一次分裂会变成

first_split = input.split("=")
#first_split = ['bob' 'whatever,king' 'kong,banana' 'herb,good,yellow,thorn' 'hurts']

然后在最右边的逗号处拆分给你：

second_split = [single_word for sublist in first_split for item in sublist.rsplit(",",1)]
#second_split = ['bob' 'whatever' 'king' 'kong' 'banana' 'herb,good,yellow' 'thorn' 'hurts']

然后你只需像这样收集对：

pairs = dict(zip(second_split[::2],second_split[1::2]))

【讨论】：

我认为这可以工作，但你将如何收集对以便它适用于所有输入？

在示例输出中使用分隔符会更容易阅读。从bob whatever king kong banana… 很难判断bob 是一个键，whatever 是一个值，等等。如果我理解你在做什么，最后一步将不起作用，因为你实际上会有@ 987654328@ 对，而不是 (key_n, value_n) 对。但它很接近。看我的回答。

无论谁对此投了反对票，我认为这不值得。有点模糊，但方法显然是正确的，只是缺少最后一步，一旦打印出结果就会很明显。

我在这里的目的一直很模糊，我认为这里没有必要编写代码。我似乎很清楚 OP 能够进行编程，我只是想让 OP 以另一种方式看待问题。

啊，现在我明白你在做什么了。原始版本的问题在于，没有显示逗号或引号或任何其他方式来说明边界在哪里，它是模棱两可的。无论如何，将它展平然后像你一样重新压缩可能比我所做的(x[i][-1], x[i+1][0]) 位更清晰，即使它看起来确实是一个额外的步骤。

【参考方案2】：

你可以试试这个，它对我有用：

mystring = "foo=bar,breakfast=spam,eggs,e=a"
n = []
i = 0

for x in mystring.split(','):
    if '=' not in x:
        n[i-1] = "0,1".format(n[i-1], x)
    else:
        n.append(x)
        i += 1
print n

你会得到如下结果：

  ['foo=bar', 'breakfast=spam,eggs', 'e=a']

然后你可以简单地浏览列表并做你想做的事。

【参考方案3】：

daramarak 的回答要么非常有效，要么按原样工作；很难从示例输出的格式和步骤的模糊描述中分辨出来。但如果它是几乎可以工作的版本，则很容易修复。

将其放入代码中：

>>> bits=[x.rsplit(',', 1) for x in s.split('=')]
>>> kv = [(bits[i][-1], bits[i+1][0]) for i in range(len(bits)-1)]

第一行是（我相信）daramarak 的回答。就其本身而言，第一行为您提供了一对(value_i, key_i+1) 而不是(key_i, value_i)。第二行是最明显的解决方法。通过更多的中间步骤和一些输出，看看它是如何工作的：

>>> s = 'foo=bar,breakfast=spam,eggs,blt=bacon,lettuce,tomato,spam=spam'
>>> bits0 = s.split('=')
>>> bits0
['foo', 'bar,breakfast', 'spam,eggs,blt', 'bacon,lettuce,tomato,spam', 'spam']
>>> bits = [x.rsplit(',', 1) for x in bits0]
>>> bits
[('foo'), ('bar', 'breakfast'), ('spam,eggs', 'blt'), ('bacon,lettuce,tomato', 'spam'), ('spam')]
>>> kv = [(bits[i][-1], bits[i+1][0]) for i in range(len(bits)-1)]
>>> kv
[('foo', 'bar'), ('breakfast', 'spam,eggs'), ('blt', 'bacon,lettuce,tomato'), ('spam', 'spam')]

【讨论】：

澄清了我的答案以表明我的意思。但是您设法使结构变平并一次性配对。那是我的 +1。

【参考方案4】：

仅出于比较目的，这里有一个似乎也可以解决问题的正则表达式：

([^=]+)    # key
=          # equals is how we tokenise the original string
([^=]+)    # value
(?:,|$)    # value terminator, either comma or end of string

这里的技巧是限制您在第二组中捕获的内容。 .+ 吞下 = 符号，这是我们可以用来区分键和值的字符。完整的正则表达式不依赖于任何回溯（因此它应该与 re2 之类的东西兼容，如果需要的话）并且可以在 abarnert 的示例中使用。

用法如下：

re.findall(r'([^=]+)=([^=]+)(?:,|$)', 'foo=bar,breakfast=spam,eggs,blt=bacon,lettuce,tomato,spam=spam')

返回：

[('foo', 'bar'), ('breakfast', 'spam,eggs'), ('blt', 'bacon,lettuce,tomato'), ('spam', 'spam')]

【讨论】：

其实，有一次我不得不说，正则表达式方法比其他方法更容易阅读。惊人的！ +1

【参考方案5】：

假设键的名称从不包含,，当下一个没有, 和= 的序列由= 接替时，您可以在, 处拆分。

re.split(r',(?=[^,=]+=)', inputString)

（这与我最初的解决方案相同。我希望使用re.split，而不是re.findall 或str.split）。

完整的解决方案可以一次性完成：

[re.findall('(.*?)=(.*)', token)[0] for token in re.split(r',(?=[^,=]+=)', inputString)]