如何在Lark中使用正则捕获引号内字符串并去除外层引号

要直接提取引号内的文本、丢弃外层引号，你可以在Lark的正则语法里通过->指定要提取的捕获组序号，具体操作如下：

核心修改：正则后加-> 2 #

先把原正则改成非贪婪匹配（避免错误匹配到后续无关的引号），再在正则末尾加上-> 2，告诉Lark直接取第二个捕获组的内容作为token的最终值。

示例Lark语法：

quoted_string: r"([\"'])(.*?)\1" -> 2

• (["'])：匹配开头的单/双引号（第一组，仅用于定位边界）
• (.*?)：非贪婪匹配引号内的所有内容（第二组，也是我们需要的核心内容）
• \1：匹配和开头一致的结束引号，保证引号成对
• -> 2：明确指定使用第二个捕获组的内容作为该token的值

完整代码示例 #

from lark import Lark

# 定义解析语法
grammar = """
start: quoted_string+
quoted_string: r"([\"'])(.*?)\1" -> 2
"""

# 初始化解析器
parser = Lark(grammar)

# 测试样本（注意转义字符串内部的引号）
test_samples = ['"sample"', "'sam'ple'", "'samp\"le'"]
# 拼接成可解析的文本
input_text = ' '.join(test_samples)

# 解析并输出结果
parse_tree = parser.parse(input_text)
for token in parse_tree.children:
    print(token.value)

运行后输出：

sample
sam'ple
samp"le

扩展：支持转义引号 #

如果你的文本里包含转义引号（比如"he said \"hi\""），需要调整正则跳过转义的引号，语法修改为：

quoted_string: r"([\"'])(.*?)(?<!\\)\1" -> 2

这里的(?<!\\)是反向否定断言，确保结束引号没有被反斜杠转义，避免把转义引号当成结束边界。

内容的提问来源于stack exchange，提问作者thevoiddancer