Warum sucht die Regex-Suche in Teilzeichenfolge "nicht vollständig äquivalent zum Aufteilen der Zeichenfolge" in Python?

Question

Wie der documentation angegeben ist, ist die Verwendung von regex.search(string, pos, endpos) nicht vollständig äquivalent zum Schneiden der Zeichenfolge, d. H. regex.search(string[pos:endpos]). Es wird keine Regex-Übereinstimmung als der String ist beginnend mit pos, so ^ nicht entspricht der Anfang der Teilzeichenfolge, sondern entspricht nur den tatsächlichen Anfang der gesamten Zeichenfolge. $ entspricht jedoch entweder dem Ende der Teilzeichenfolge oder der gesamten Zeichenfolge.

>>> re.compile('^am').findall('I am falling in code', 2, 12) 
    []  # am is not at the beginning 
    >>> re.compile('^am').findall('I am falling in code'[2:12]) 
    ['am'] # am is the beginning 
    >>> re.compile('ing$').findall('I am falling in code', 2, 12) 
    ['ing'] # ing is the ending 
    >>> re.compile('ing$').findall('I am falling in code'[2:12]) 
    ['ing'] # ing is the ending 

    >>> re.compile('(?<=)am').findall('I am falling in code', 2, 12) 
    ['am'] # before am there is a space 
    >>> re.compile('(?<=)am').findall('I am falling in code'[2:12]) 
    []  # before am there is no space 
    >>> re.compile('ing(?=)').findall('I am falling in code', 2, 12) 
    []  # after ing there is no space 
    >>> re.compile('ing(?=)').findall('I am falling in code'[2:12]) 
    []  # after ing there is no space 

    >>> re.compile(r'\bm.....').findall('I am falling in code', 3, 11) 
    [] 
    >>> re.compile(r'\bm.....').findall('I am falling in code'[3:11]) 
    ['m fall'] 
    >>> re.compile(r'.....n\b').findall('I am falling in code', 3, 11) 
    ['fallin'] 
    >>> re.compile(r'.....n\b').findall('I am falling in code'[3:11]) 
    ['fallin'] 

Meine Fragen sind ... Warum ist es nicht konsistent zwischen und beginnen Spiel zu beenden? Warum behandelt die Verwendung von pos und endpos das Ende als das echte Ende, aber der Start/Anfang wird nicht als der echte Start/Anfang behandelt?

Gibt es einen Ansatz zur Verwendung von pos und endpos imitieren schneiden? Da Python copies string when slicing nicht nur die alte referenziert, wäre es effizienter, pos und endpos anstelle von Slicing zu verwenden, wenn mit großen Strings mehrere Male gearbeitet wird.

Answer 1

Dies klingt wie ein Fehler in Python, aber wenn Sie Slice by Referenz statt Kopieren der Zeichenfolgen tun möchten, können Sie das eingebaute Python buffer verwenden.

Zum Beispiel:

s = "long string" * 100 
buf = buffer(s) 
substr = buf([5:15]) 

Dieses eine Teil erstellt, ohne die Daten zu kopieren, so sollte für eine effiziente Aufteilung großer Strings ermöglichen.

Answer 2

Das Startpositionsargument pos ist besonders nützlich, um beispielsweise lexikalische Analysatoren zu erstellen. Der Leistungsunterschied zwischen dem Schneiden eines Strings mit [pos:] und dem Verwenden des Parameters pos mag unbedeutend erscheinen, ist aber sicherlich nicht so; siehe zum Beispiel diesen Fehlerbericht in der JsLex lexer.

In der Tat stimmt die ^ am tatsächlichen Anfang der Zeichenfolge; oder, wenn MULTILINE angegeben ist, auch am Anfang der Zeile; Dies ist auch von Entwurf, so dass ein Scanner auf regulären Ausdrücken zwischen real Anfang der Zeile/Beginn der Eingabe und nur ein anderer Punkt auf einer Linie/innerhalb der Eingabe leicht unterscheiden kann.

Sie beachten Sie, dass Sie auch die regex.match(string[, pos[, endpos]]) Funktion können Sie das Spiel auf die beginnende Zeichenfolge oder an der Position von pos angegeben zu verankern; so zu tun, anstatt

>>> re.compile('^am').findall('I am falling in code', 2, 12) 
[] 

Sie würden im Allgemeinen einen Scanner als

>>> match = re.compile('am').match('I am falling in code', 2, 12) 
>>> match 
<_sre.SRE_Match object; span=(2, 4), match='am'> 

implementieren und dann die pos zu match.end() für die aufeinanderfolgenden Anpassungsvorgänge (die in diesem Fall 4 zurückgibt).

Das Spiel muss beginnen genau am pos finden:

(Beachten Sie, wie die .match am Anfang des Eingangs verankert ist, als ob durch implizite ^ aber nicht bis zum Ende des Eingangs, ja dies ist oft eine Quelle von Fehlern, wie Menschen das Spiel glauben sowohl implizite ^ und $ - Python 3.4 hinzugefügt, um die regex.fullmatch, das dies tut)

---

Warum der endpos Parameter ist nicht konsistent mit dem pos - das weiß ich nicht genau, aber es macht auch einen Sinn für mich, wie in Python 2 gibt es keine fullmatch und dort Verankerung mit $ ist die einzige Möglichkeit zu gewährleisten dass die gesamte Spannweite angepasst werden muss.