Files
mmkk/backend/utils/regex_processor.py

310 lines
10 KiB
Python
Raw Normal View History

"""
正则表达式处理器模块
提供基于正则表达式的文本批量操作功能
"""
import re
from typing import Dict, List, Any, Tuple
class RegexProcessor:
"""
正则表达式处理器类
提供各种基于正则表达式的文本处理功能包括替换提取验证等
"""
def __init__(self):
"""初始化正则表达式处理器"""
self.compiled_patterns = {}
def _compile_pattern(self, pattern: str, flags: str = '') -> re.Pattern:
"""
编译正则表达式模式使用缓存提高性能
Args:
pattern (str): 正则表达式模式
flags (str): 正则表达式标志
Returns:
re.Pattern: 编译后的正则表达式对象
"""
cache_key = f"{pattern}:{flags}"
if cache_key not in self.compiled_patterns:
flag_value = 0
for flag in flags.lower():
if flag == 'i':
flag_value |= re.IGNORECASE
elif flag == 'm':
flag_value |= re.MULTILINE
elif flag == 's':
flag_value |= re.DOTALL
elif flag == 'x':
flag_value |= re.VERBOSE
elif flag == 'u':
flag_value |= re.UNICODE
elif flag == 'l':
flag_value |= re.LOCALE
self.compiled_patterns[cache_key] = re.compile(pattern, flag_value)
return self.compiled_patterns[cache_key]
def replace(self, content: str, pattern: str, replacement: str, flags: str = '') -> Dict[str, Any]:
"""
使用正则表达式替换文本
Args:
content (str): 原始文本
pattern (str): 正则表达式模式
replacement (str): 替换内容
flags (str): 正则表达式标志
Returns:
Dict[str, Any]: 替换结果信息
{
'result': str, # 替换后的文本
'matches': int, # 匹配次数
'groups': List[str], # 匹配的组
'replacements': List[Dict[str, str]] # 详细的替换信息
}
"""
regex = self._compile_pattern(pattern, flags)
# 收集匹配信息
matches = list(regex.finditer(content))
replacements = []
def replace_func(match):
groups = match.groups()
replacement_result = match.expand(replacement)
replacements.append({
'original': match.group(0),
'replaced': replacement_result,
'start': match.start(),
'end': match.end(),
'groups': list(groups) if groups else []
})
return replacement_result
# 执行替换
result = regex.sub(replace_func, content)
return {
'result': result,
'matches': len(matches),
'groups': [match.groups() for match in matches if match.groups()],
'replacements': replacements
}
def extract(self, content: str, pattern: str, flags: str = '') -> List[Dict[str, Any]]:
"""
使用正则表达式提取匹配项
Args:
content (str): 文本内容
pattern (str): 正则表达式模式
flags (str): 正则表达式标志
Returns:
List[Dict[str, Any]]: 匹配项列表
[
{
'match': str, # 完整匹配
'groups': List[str], # 捕获组
'start': int, # 开始位置
'end': int, # 结束位置
'named_groups': Dict[str, str] # 命名捕获组
}
]
"""
regex = self._compile_pattern(pattern, flags)
matches = []
for match in regex.finditer(content):
match_info = {
'match': match.group(0),
'groups': list(match.groups()) if match.groups() else [],
'start': match.start(),
'end': match.end(),
'named_groups': match.groupdict()
}
matches.append(match_info)
return matches
def validate(self, content: str, pattern: str, flags: str = '') -> bool:
"""
验证文本是否匹配正则表达式
Args:
content (str): 文本内容
pattern (str): 正则表达式模式
flags (str): 正则表达式标志
Returns:
bool: 是否匹配
"""
regex = self._compile_pattern(pattern, flags)
return bool(regex.search(content))
def split(self, content: str, pattern: str, flags: str = '', maxsplit: int = 0) -> Dict[str, Any]:
"""
使用正则表达式分割文本
Args:
content (str): 文本内容
pattern (str): 正则表达式模式
flags (str): 正则表达式标志
maxsplit (int): 最大分割次数
Returns:
Dict[str, Any]: 分割结果
{
'parts': List[str], # 分割后的部分
'separators': List[str], # 分隔符
'count': int # 分割次数
}
"""
regex = self._compile_pattern(pattern, flags)
if maxsplit > 0:
parts = regex.split(content, maxsplit)
else:
parts = regex.split(content)
# 找出分隔符
separators = [match.group(0) for match in regex.finditer(content)]
return {
'parts': parts,
'separators': separators,
'count': len(separators)
}
def find_and_replace_batch(self, content: str, operations: List[Dict[str, str]]) -> Dict[str, Any]:
"""
批量执行正则表达式替换操作
Args:
content (str): 原始文本
operations (List[Dict[str, str]]): 替换操作列表
[
{
'pattern': str, # 正则表达式
'replacement': str, # 替换内容
'flags': str # 正则表达式标志
}
]
Returns:
Dict[str, Any]: 批量替换结果
{
'result': str, # 最终文本
'operations': List[Dict[str, Any]] # 每个操作的结果
}
"""
result = content
operation_results = []
for operation in operations:
pattern = operation['pattern']
replacement = operation['replacement']
flags = operation.get('flags', '')
replace_result = self.replace(result, pattern, replacement, flags)
result = replace_result['result']
operation_results.append({
'pattern': pattern,
'replacement': replacement,
'flags': flags,
'matches': replace_result['matches'],
'replacements': replace_result['replacements']
})
return {
'result': result,
'operations': operation_results
}
def get_statistics(self, content: str, pattern: str, flags: str = '') -> Dict[str, Any]:
"""
获取正则表达式的匹配统计信息
Args:
content (str): 文本内容
pattern (str): 正则表达式模式
flags (str): 正则表达式标志
Returns:
Dict[str, Any]: 统计信息
{
'total_matches': int, # 总匹配数
'unique_matches': int, # 唯一匹配数
'average_length': float, # 平均匹配长度
'longest_match': str, # 最长匹配
'shortest_match': str, # 最短匹配
'positions': List[Tuple[int, int]] # 匹配位置列表
}
"""
matches = self.extract(content, pattern, flags)
if not matches:
return {
'total_matches': 0,
'unique_matches': 0,
'average_length': 0.0,
'longest_match': '',
'shortest_match': '',
'positions': []
}
match_texts = [m['match'] for m in matches]
lengths = [len(text) for text in match_texts]
return {
'total_matches': len(matches),
'unique_matches': len(set(match_texts)),
'average_length': sum(lengths) / len(lengths),
'longest_match': max(match_texts, key=len),
'shortest_match': min(match_texts, key=len),
'positions': [(m['start'], m['end']) for m in matches]
}
def common_patterns(self) -> Dict[str, str]:
"""
返回常用正则表达式模式
Returns:
Dict[str, str]: 常用模式字典
"""
return {
'email': r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b',
'url': r'https?://(?:[-\w.])+(?:[:\d]+)?(?:/(?:[\w/_.])*(?:\?(?:[\w&=%.])*)?(?:#(?:[\w.])*)?)?',
'phone': r'(\+?\d{1,3}[-.\s]?)?\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}',
'markdown_headers': r'^#{1,6}\s+(.+)$',
'markdown_links': r'\[([^\]]+)\]\(([^)]+)\)',
'markdown_images': r'!\[([^\]]*)\]\(([^)]+)\)',
'markdown_bold': r'\*\*([^*]+)\*\*|__([^_]+)__',
'markdown_italic': r'\*([^*]+)\*|_([^_]+)_',
'code_blocks': r'```(\w*)\n(.*?)\n```',
'inline_code': r'`([^`]+)`',
'numbers': r'\d+',
'words': r'\b\w+\b',
'whitespace': r'\s+',
'lines': r'.*(?:\n|$)',
'markdown_tables': r'\|(.+)\|\n\|[-:\| ]+\|\n((?:\|.+\|\n?)*)',
'markdown_lists': r'^(\s*)[-*+]\s+(.+)$',
'markdown_quotes': r'^\s*>\s*(.+)',
'html_tags': r'</?[a-zA-Z][^>]*\u003e',
'ip_address': r'\b(?:\d{1,3}\.){3}\d{1,3}\b',
'date_ymd': r'\d{4}-\d{2}-\d{2}',
'date_dmy': r'\d{2}/\d{2}/\d{4}',
'time_hms': r'\d{2}:\d{2}:\d{2}',
'hex_color': r'#(?:[0-9a-fA-F]{3}){1,2}\b',
'markdown_task_lists': r'^\s*[-*+]\s+\[([ x])\]\s+(.+)$'
}