Python递归正则匹配平衡括号并替换LaTeX注释的问题

问题分析 #

你需要替换LaTeX中的三种命令：

• \ins{who}{what} → 保留what
• \rem{who}{what} → 替换为空字符串
• \rpl{who}{whatold}{whatnew} → 保留whatnew

之前使用的PCRE2递归正则（如(?1)引用编号组）在Python的regex库中不适用，因为该库要求使用命名组递归语法而非编号组递归。

解决方案：使用命名递归组匹配平衡括号 #

Python第三方库regex支持递归正则，只需将递归部分改为命名组引用的形式。以下是两种实现方式：

方式一：合并正则统一处理（推荐）

将三个命令的匹配逻辑合并到一个正则中，通过替换函数根据命令类型返回对应内容：

import regex

def process_latex_commands(text):
    # 定义包含递归平衡括号匹配的正则模式
    pattern = r'''
        \\(ins|rem|rpl)          # 匹配命令类型：ins/rem/rpl
        \{[a-z]{2}\}             # 匹配who部分（固定两位小写字母）
        (?:
            # 匹配第一个内容块（适用于ins/rem）
            \{(?P<content>(?:[^{}]|(?P<balanced>\{(?:[^{}]|(?P>balanced))*\}))*)\}
            # 可选的第二个内容块（仅适用于rpl）
            (?:\{(?P<new_content>(?:[^{}]|(?P>balanced))*)\})?
        )
    '''
    
    def replace_handler(match):
        cmd_type = match.group(1)
        if cmd_type == 'ins':
            return match.group('content')
        elif cmd_type == 'rem':
            return ''
        elif cmd_type == 'rpl':
            return match.group('new_content')
        return match.group(0)  # 默认返回原内容，避免漏匹配
    
    # 启用VERBOSE模式忽略注释和空格，同时支持递归
    return regex.sub(pattern, replace_handler, text, flags=regex.VERBOSE)

# 测试示例
test_text = 'Velit sed ullamcorper morbi tincidunt ornare. Lorem dolor sed viverra ipsum nunc aliquet bibendum enim.\\rpl{dd}{ Pellentesque \\qtyrange{10}{20}{\\celsius} habitant morbi \\qtyrange{10}{20}{\\celsius} tristique senectus \\gls{abc}.}{Some new text with \\qtyrange{10}{20}{\\celsius} and more \\gls{cdf}.'
result = process_latex_commands(test_text)
print(result)

方式二：分正则单独处理

如果需要更清晰的拆分逻辑，可以分别为三个命令编写正则：

import regex

text = 'Velit sed ullamcorper morbi tincidunt ornare. Lorem dolor sed viverra ipsum nunc aliquet bibendum enim.\\rpl{dd}{ Pellentesque \\qtyrange{10}{20}{\\celsius} habitant morbi \\qtyrange{10}{20}{\\celsius} tristique senectus \\gls{abc}.}{Some new text with \\qtyrange{10}{20}{\\celsius} and more \\gls{cdf}.'

# 处理\ins命令
ins_pattern = r'\\ins\{[a-z]{2}\}\{(?P<content>(?:[^{}]|(?P<balanced>\{(?:[^{}]|(?P>balanced))*\}))*)\}'
text = regex.sub(ins_pattern, r'\g<content>', text)

# 处理\rem命令
rem_pattern = r'\\rem\{[a-z]{2}\}\{(?P<content>(?:[^{}]|(?P<balanced>\{(?:[^{}]|(?P>balanced))*\}))*)\}'
text = regex.sub(rem_pattern, '', text)

# 处理\rpl命令
rpl_pattern = r'\\rpl\{[a-z]{2}\}\{(?P<old>(?:[^{}]|(?P<balanced>\{(?:[^{}]|(?P>balanced))*\}))*)\}\{(?P<new>(?:[^{}]|(?P>balanced))*)\}'
text = regex.sub(rpl_pattern, r'\g<new>', text)

print(text)

关键说明 #

• 平衡括号匹配逻辑：(?P<balanced>\{(?:[^{}]|(?P>balanced))*\}) 是核心，它通过递归调用命名组balanced，可以正确匹配任意深度嵌套的大括号。
• 语法差异：Python的regex库不支持PCRE的(?1)编号组递归，必须使用(?P>balanced)这种命名组引用的形式。
• 依赖要求：必须使用第三方regex库（而非Python标准库re），因为标准库不支持递归正则。

内容的提问来源于stack exchange，提问作者atapaka