Python正则提取struct格式子串的多场景匹配问题求助

要提取字符串中符合some_var:struct<some_variables>格式的子串，且支持struct内部嵌套其他struct，普通的贪婪/非贪婪匹配无法覆盖所有场景，需要用递归正则处理嵌套的<>结构。

问题回顾 #

• 贪婪匹配\w[a-zA-Z]*:struct<.*>,在多struct场景中会过度匹配，包含额外的非struct内容
• 非贪婪匹配\w[a-zA-Z]*:struct<.*?>,遇到嵌套struct时会提前终止，导致结果不完整

解决方案：递归正则表达式 #

利用Python re模块支持的递归语法（(?R)引用整个正则表达式），可以精准匹配嵌套的struct结构：

import re

# 匹配完整的struct格式子串，支持嵌套
pattern = r'\w+:struct<(?:[^<>]|(?R))*>,?'

正则说明

• \w+：匹配变量名（如lastname）
• :struct<：匹配固定的struct前缀
• (?:[^<>]|(?R))*：非捕获组，匹配两种情况：
  1. [^<>]：不是<或>的普通字符
  2. (?R)：递归匹配整个正则，处理嵌套的struct结构
• >,?：匹配闭合的>，后面的?兼容struct在字符串末尾无逗号的情况

测试所有场景 #

场景1：简单struct

s='firstname:string,middlename:double,lastname:struct<last1:int,last2:array<string>>,addr:string'
match = re.search(pattern, s)
print(match.group())
# 输出：lastname:struct<last1:int,last2:array<string>>,

场景2：多个struct并列

subdtyp = 'firstname:string,middlename:double,lastname:struct<last1:int,last2:array<string>>,last3:array<string>,last4:struct<last41:int,last42:string>'
# 匹配第一个符合条件的子串
match = re.search(pattern, subdtyp)
print(match.group())
# 输出：lastname:struct<last1:int,last2:array<string>>,

# 匹配所有符合条件的子串
all_matches = re.findall(pattern, subdtyp)
for item in all_matches:
    print(item)
# 输出：
# lastname:struct<last1:int,last2:array<string>>,
# last4:struct<last41:int,last42:string>

场景3：嵌套struct

subdtyp2 = 'firstname:string,middlename:double,lastname:struct<last4:struct<last41:int,last42:string>,last2:array<string>>,last3:array<string>'
match = re.search(pattern, subdtyp2)
print(match.group())
# 输出：lastname:struct<last4:struct<last41:int,last42:string>,last2:array<string>>,

补充说明 #

• 如果需要提取变量名和struct内部的内容，可以调整正则为捕获组形式：r'(\w+):struct<((?:[^<>]|(?R))*)>,?'，findall会返回(变量名, 内部内容)的元组
• 若确定每个struct后都有逗号，可将正则末尾的,?改为,, 避免匹配多余的情况

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