用中文 API 让正则表达式更易读写？

[xuanwu]

原文：《用中文 API 让正则表达式更易读写？》

木兰语言重现项目中用到了不少正则表达式，其中不乏不那么一目了然的（ Python 实现）：

标识符：r'\$?[_a-zA-Z\u4e00-\u9fa5][_a-zA-Z0-9\u4e00-\u9fa5]*'  

双引号字符串：r'(\")((?<!\\)\\\1|.)*?\1'

字符串插值相关：r'\\\(([^\\\)]*)\\\)|`([^`]*)`'

由此想到是否有 API 能够构建正则表达式。找到 PythonVerbalExpressions，它首页上一个示例如下:

verbal_expression.
start_of_line().
find('http').
maybe('s').
find('://').
maybe('www.').
anything_but(' ').
end_of_line()

对应正则: ^( http)(s)?(\:\/\/)(www\.)?([^\ ]*)$

看起来的确比较可读，而且如果改为中文 API 的话，命名会更简短:

开头().
寻找('http').
或许('s').
寻找('://').
或许('www.').
除了(' ').
结尾()

问题是这个库的功能似乎有限，仅支持小部分正则语法，于是考虑改进。

设想中的 API 示例

以开头的木兰实现中的几个正则为例，用设想中的 API 表达后进行对比

标识符：

至多一个("$").一个("_", 大小写英文, 中文).任意个("_", 大小写英文, 数字, 中文)

原始正则表达式对比：r'\$?[_a-zA-Z\u4e00-\u9fa5][_a-zA-Z0-9\u4e00-\u9fa5]*'       

双引号字符串：

分组(双引号)
  .最小匹配(
    任意个(
      分组(
        皆可(
          前面不是(反斜杠).一个(反斜杠).一个(引用分组(1)),
          一个(非换行字符))
      )
    )
  )
  .引用分组(1)

r'(\")((?<!\\)\\\1|.)*?\1'

字符串插值相关：

皆可(
  一个(反斜杠).一个(左小括号).分组(任意个(不是(反斜杠, 右小括号))).一个(反斜杠).一个(右小括号),
  一个(反引号).分组(任意个(不是(反引号))).一个(反引号)
)

r'\\\(([^\\\)]*)\\\)|`([^`]*)`'

相对原始正则表达式，在可读性之外还有几个优势:

• 不需为正则的特殊意义字符加反斜杠，如 \，(，) 等
• 明确运算优先级，比如双引号字符串中的 | 和 (?<!)...

在易写方面，相对于正则的符号语法，API 语义更加直白。

欢迎意见建议。

[learningman]

换成中文不会降低学习成本，只会让学会以后更麻烦