删除不在引号内的哈希注释

Posted 2023-02-21

【中文标题】删除不在引号内的哈希注释

【英文标题】：Removing hash comments that are not inside quotes

【发布时间】：2013-07-21 09:33:57

【问题描述】：

我正在使用 python 浏览文件并删除所有 cmets。注释被定义为散列和它右侧的任何内容只要散列不在双引号内。我目前有一个解决方案，但似乎不是最理想的：

filelines = []
    r = re.compile('(".*?")')
    for line in f:
        m = r.split(line)
        nline = ''
        for token in m:
            if token.find('#') != -1 and token[0] != '"':
                nline += token[:token.find('#')]
                break
            else:
                nline += token
        filelines.append(nline)

有没有办法在没有 for 循环的情况下找到不在引号内的第一个哈希（即通过正则表达式？）

例子：

' "Phone #":"555-1234" ' -> ' "Phone #":"555-1234" '
' "Phone "#:"555-1234" ' -> ' "Phone "'
'#"Phone #":"555-1234" ' -> ''
' "Phone #":"555-1234" #Comment' -> ' "Phone #":"555-1234" '

---

编辑：这是由 user2357112 创建的纯正则表达式解决方案。我测试了它，效果很好：

filelines = []
r = re.compile('(?:"[^"]*"|[^"#])*(#)')
for line in f:
    m = r.match(line)
    if m != None:
        filelines.append(line[:m.start(1)])
    else:
        filelines.append(line)

有关此正则表达式如何工作的更多详细信息，请参阅他的回复。

Edit2：这是我修改的 user2357112 代码的一个版本，以考虑转义字符 (\")。此代码还通过检查字符串结尾 ($) 来消除“if”：

filelines = []
r = re.compile(r'(?:"(?:[^"\\]|\\.)*"|[^"#])*(#|$)')
for line in f:
    m = r.match(line)
    filelines.append(line[:m.start(1)])

【参考方案1】：

r'''(?:        # Non-capturing group
      "[^"]*"  # A quote, followed by not-quotes, followed by a quote
      |        # or
      [^"#]    # not a quote or a hash
    )          # end group
    *          # Match quoted strings and not-quote-not-hash characters until...
    (#)        # the comment begins!
'''

这是一个冗长的正则表达式，旨在在单行上运行，因此请确保使用re.VERBOSE 标志并一次输入一行。如果有一个，它将捕获第一个未引用的哈希作为组 1，因此您可以使用 match.start(1) 获取索引。如果您希望能够将反斜杠转义的引号放在字符串中，它不处理反斜杠转义。这是未经测试的。

【讨论】：

这真的很聪明，我知道这样的事情是可能的，我只是不知道该怎么做。谢谢，工作就像一个魅力。

单行，方便复制意大利面：re.search(r'(?:"[^"]*"|[^"#])*(#)', your_string)

【参考方案2】：

您可以使用此脚本删除 cmets：

import re
print re.sub(r'(?s)("[^"\\]*(?:\\.[^"\\]*)*")|#[^\n]*', lambda m: m.group(1) or '', '"Phone #"#:"555-1234"')

这个想法是捕获用双引号括起来的第一部分，并在搜索尖锐之前将它们自己替换：

(?s)              # the dot matches newlines too
(                 # open the capture group 1
    "             # "
    [^"\\]*       # all characters except a quote or a backslash
                  # zero or more times
    (?:           # open a non-capturing group
        \\.       # a backslash and any character
        [^"\\]*   # 
    )*            # repeat zero or more times
    "             # "
)                 # close the capture group 1

|                 # OR

#[^\n]*           # a sharp and zero or one characters that are not a newline.

【讨论】：

这是第一个对我有用的答案！.. 但它不适用于单引号内的 cmets。

@AmanDeep：编辑模式以使其也适用于单引号并不难。

我尝试将新模式放在 () 组中，由 | 分隔.....但它不会工作

r'(?s)("[^"\]*(?:\\.[^"\]*)*")|#[^\n]*|((? s)('[^'\]*(?:\\.[^'\]*)*')|#[^\n]*)'

【参考方案3】：

这段代码太丑了，我不得不贴出来。

def remove_comments(text):
    char_list = list(text)
    in_str = False
    deleting = False
    for i, c in enumerate(char_list):
        if deleting:
            if c == '\n':
                deleting = False
            else:
                char_list[i] = None
        elif c == '"':
            in_str = not in_str
        elif c == '#':
            if not in_str:
                deleting = True
                char_list[i] = None
    char_list = filter(lambda x: x is not None, char_list)
    return ''.join(char_list)

但似乎工作。虽然我不确定它如何处理 windows 和 linux 之间的换行符。