Python中使用正则匹配平衡嵌套{}提取复杂字符串内容的方案

问题根因 #

你整合正则时存在两个核心错误：

• (?R)的作用是递归整个完整正则表达式，单独匹配括号时整个正则就是括号规则所以生效，整合后整个正则包含extend前缀规则，递归时会再次要求匹配extend，自然无法正确匹配嵌套括号。
• 整合后的正则多了冗余规则extend\s+([^n]*)，会错误吞掉extend后面的phase字段，导致后续匹配逻辑失效。

解决方案 #

改用regex库的DEFINE块封装括号平衡的子规则，递归时仅调用局部子规则即可，修正后代码如下：

1. 先安装第三方正则库：pip install regex
2. 运行代码：

import regex as re

my_string = """
extend mineral Uraninite {
    kinetics {
        rate = -3.2e-08 mol/m2/s
        area = Uraninite
        y-term, species = Uraninite
        w-term {
            species = H[+]
            power = 0.37
        }
    }
    kinetics {
        rate = 3.2e-09 mol/m2/s
        area = Uraninite
        y-term, species = Uraninite
        w-term {
            species = H[+]
            power = 0.37
        }
    }
}
"""

pattern = re.compile(
    r"extend\s+"
    r"(?:(?P<phase>colloid|mineral|basis|isotope|solid-solution)\s+)?"
    r"(?P<species>[^\n ]+)\s+"
    r"{(?P<content>(?&brace_group))}"
    # 定义括号平衡的独立子规则，仅递归该部分
    r"(?(DEFINE)(?P<brace_group>(?:[^{}]++|(?&brace_group))*+))"
)

extend_list = [m.groupdict() for m in pattern.finditer(my_string)]
# 测试输出
for item in extend_list:
    print("phase:", item["phase"])
    print("species:", item["species"])
    print("content:\n", item["content"])

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