Неожиданное поведение регулярного выражения

Question

Я работаю над функцией, которая переводит данный текст с заданными правилами.

def bork(text): 
    """ 
    Implementation of language transformation based on Swedish-Chef talk. 
    """ 

    rules = {"\be": "i", 
     "the": "zee", 
     "\Be\b": "e-a", 
     "an": "un" 
     } 

    rules = dict((re.escape(k), v) for k, v in rules.items()) 
    pattern = re.compile("|".join(rules.keys())) 
    borked = pattern.sub(lambda i: rules[re.escape(i.group(0))], text.strip()) 
    return borked 

text = """experienced""" 
print bork(text) 
# gives "experienced" 

Где оно должно указывать "ixperienced". Из-за правила \be: i. Другие преобразования хорошо работают при тестировании с большим объемом ввода, но это не помогает, пожалуйста, помогите мне.

Редактировать: Я добавил правило "\Bi\B": "ee". Который должен сделать результат "ixpereeenced". Что тоже не сработало. Я все еще получаю "experienced".

Edit2: кажется, что проблема существует в рамках правил, которые я использовал обратную косую черту, однако, я попытался использовать сырые строки и re.escape(). После этого я попытался удалить re.escape(), но это дает мне ключ ошибки в словаре вызова. (Я также хочу, чтобы выяснить, почему это происходит)

Answer 1

"\b" является забой характер, значение ASCII 8. r"\b" это буквальные символы \ и b. Используйте необработанные строки для предотвращения интерпретации управляющих последовательностей.

rules = { 
    r"\be": "i", 
    r"the": "zee", 
    r"\Be\b": "e-a", 
    r"an": "un" 
} 

Тогда, чтобы избавиться от первого re.escape() вызова.

Answer 2

Один проход re.sub, используя группы захвата, чтобы мы могли определить , который имеет вид, соответствующий этому региону. Вы могли бы упростить логику функции subst, сохраняя список моделей, вместо того, чтобы перечислить rules словарю каждый раз ...

rules = { 
    r'(\be)' : 'i', 
    r'(the)' : 'zee', 
    r'(an)' : 'un', 
    r'(\Be\b)' : 'e-a' 
} 
pattern = '|'.join(rules.iterkeys()) 

def subst(matchobj): 
    dind = [ind for (ind, val) in enumerate(matchobj.groups()) if val is not None][0] 
    return rules[[val for (ind, val) in enumerate(rules) if ind == dind][0]] 

text = 'experienced' 
re.sub(pattern, subst, text) 

Answer 3

Порядок следования регулярных выражений вопросов групп. При использовании '|', первое совпадение принимается, даже если в списке имеется более длинное совпадение. Поэтому вы не должны полагаться на dict.keys(), потому что заказ не определен. Используйте список (я думаю, вы могли бы использовать заказ Dict). Кроме того, matchobject.lastindex возвращает индекс последней (или только) сопоставленной группы.

rules = [ 
    (r'\be' , 'i' ), 
    (r'the' , 'zee'), 
    (r'an' , 'un'), 
    (r'\Bi\B', 'ee'), 
    (r'\Be\b', 'e-a' ) 
] 

pattern = '|'.join('({})'.format(rule[0]) for rule in rules) 

def subst(matchobj): 
    #print(matchobj) 
    return rules[matchobj.lastindex-1][1] 

text = 'experienced' 
re.sub(pattern, subst, text) 

возвращается:

'ixpereeenced'