comportamento estranho de parênteses em python regex

Question

Eu estou escrevendo um python regex que olha através de um documento de texto para seqüências de caracteres entre aspas (citação de pilotos de linha aérea gravado a partir de blackboxes).Comecei por tentar escrever uma regex com as seguintes regras:

Devolver o que está entre aspas.
se abre com o único e só voltar se ele fecha com único.
se ela se abre com casal, apenas o retorno se fecha com o casal.

Por exemplo, eu não quero casar com "oi" ou "olá", mas "hi there" e 'oi'.

Eu uso uma página de teste que contém coisas como:

CA  "Runway 18, wind 230 degrees, five knots, altimeter 30."
AA  "Roger that"
18:24:10 [flap lever moving into detent]
ST: "Some passenger's pushing a switch. May I?"

Então eu decidi começar pelo mais simples:

 re.findall('("|\').*?\\1', page)
 ########## /("|').*?\1/ <-- raw regex I think I'm going for.

Este regex atos muito inesperadamente.
Eu pensei que seria:

1. ( " | " ) Correspondência simples OU aspas duplas, salvar como referência de volta /1.
2. .*?A correspondência não-ganancioso curinga.
3. \1 Coincidir com tudo o que encontra na volta de referência \1 (um passo).

Em vez disso, ele retorna uma matriz de citações, mas nunca qualquer outra coisa.

['"', '"', "'", "'"]

Eu estou realmente confuso porque o equivalente (afaik) regex funciona muito bem no VIM.

\("\|'\).\{-}\1/)

A minha pergunta é esta:
Por que ele retorna apenas o que está dentro de parênteses, como o jogo?Esta é uma falha no meu entendimento de volta referências?Se sim, então por que ele funciona em VIM?

E como faço para escrever o regex eu estou procurando em python?

Obrigado por sua ajuda!

Answer 1

Leia a documentação. re.findall retorna os grupos, se houver.Se você quiser toda a partida, você deve agrupar tudo, ou usar re.finditer.Ver esta pergunta.

Answer 2

Você não captura qualquer coisa, exceto para as aspas, que é o que o Python está retornando.

Se você adicionar outro grupo, as coisas funcionam muito melhor:

for quote, match in re.finditer(r'("|\')(.*?)\1', page):
  print match

Eu prefixado seu literal de cadeia de caracteres com um r para torná-lo um matérias seqüência de caracteres, o que é útil quando você precisa usar uma tonelada de barras invertidas (\\1 torna-se \1).

Answer 3

Você precisa pegar tudo com mais um par de parênteses.

re.findall('(("|\').*?\\2)', page)