用于匹配多种类型编号列表的正则表达式

Question

我想创建一个 (PCRE) 正则表达式来匹配所有常用的编号列表，并且我想分享我的想法并收集有关执行此操作的方法的输入。

我将“列表”定义为一组规范的盎格鲁撒克逊约定，即

数字

1 2 3
1. 2. 3.
1) 2) 3)
(1) (2) (3)
1.1 1.2 1.2.1
1.1. 1.2. 1.3.
1.1) 1.2) 1.3)
(1.1) (1.2) (1.3)

、字母、

a b c
a. b. c.
a) b) c)
(a) (b) (c) 
A B C
A. B. C. 
A) B) C)
(A) (B) (C)

罗马数字

i ii iii
i. ii. iii.
i) ii) iii)
(i) (ii) (iii)
I II III
i. ii. iii.
i) ii) iii)
(i) (ii) (iii)

我想知道这组列表的强度，以及是否还有其他编号约定，以及是否应该删除其中任何一个。

这是我创建的一个正则表达式来解决这个问题（在Python中）：

numex = r'(?:\d{1,3}'\   # 1, 2, 3
    '(?:\.\d{1,3}){0,4}'\ # 1.1, 1.1.1.1
    '|[A-Z]{1,2}'\        # A. B. C.
    '|[ivxcl]{1,6}'       # i, iii, ...

rex = re.compile(r'(\(?%s\)|%s\.?)' % numex, re.I) # re.U?

rex.match("123. Some paragraph")    

我想知道这个正则表达式对于这个问题有多充分，以及是否有其他替代方案（正则表达式或其他）解决方案。

顺便说一句，对于我的特定用例，我预计列表数量不会超过 25-50。

感谢您的阅读。

布莱恩

Answer 1

这是一个 Wikified 解决方案：

 numex = r"""^(?:
      \d{1,3}                 # 1, 2, 3
          (?:\.\d{1,3}){0,4}  # 1.1, 1.1.1.1
    | [B-H] | [J-Z]         # A, B - Z caps at 26.
    | [AI](?!\s)            # Note: "A" and "I" can properly start non-lists
    | [a-z]                 # a - z
    | [ivxcl]{1,6}          # Roman ii, etc
    | [IVXCL]{1,6}          # Roman IV, etc.
    )
    """

 rex = re.compile(r'^\s*(\(?%s\)|%s\.?)\s+(.*)'
   % (numex, numex), re.X)

欢迎添加、更改和建议。

Answer 2

我会改变至少一件事，那就是在正则表达式周围添加单词边界锚，否则它将匹配任何文本中的每个字母：

rex = re.compile(r'(\(?\b%s\)|\b%s\b\.?)' % (numex, numes), re.I|re.M)

这有一点帮助，但当然任何一个或两个字母的单词仍然会进行匹配。

您可能希望将搜索锚定在行的开头；毕竟这些字符应该是该行的第一个字符（空格除外）。否定的lookbehind在Python中不会出现，因为Python不支持可变长度的lookbehind，因此您可以将其添加到匹配括号之外：

rex = re.compile(r'^\s*(\(?%s\)|%s\b\.?)' % (numex, numex), re.I|re.M)

当然，现在您必须查看匹配对象的group(1) 仅获取实际匹配项，而不获取前导空格。

您仍然会匹配太多（例如以我以为如此或这是一个黑暗而暴风雨的夜晚开头的句子，但您的规则允许这样做，我认为您知道的这个。