在用模式匹配进行文本信息抽取时，为了使其过程更简便，reb 尝试在一下几点改进传统正则表达式：
- 可维护性
- 可重用性
- 可读性
为此，引入如下几个机制
- 用 pythonic 的风格写正则规则
- 允许指定用例，让读正则、写正则变得更简单
- 返回匹配出的整个解析树，而不是 "Match Object"
用 reb 写正则规则的风格更可读，且能够使模式间互相组合。接下来拿解析、提取 url 来做说明。
根据 rfc3986, 一个能匹配 url 的正则表达式：
^(([^:/?#]+):)?(//([^/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?用 reb 风格可以写作：
from reb import P # "P" 意为 "Pattern"
scheme = P.n(P.nic(':/?#'), 1) + ':' # "nic" 意为 "Not In Chars"
# "n" 意为 "repeat for N times"
hier = P.n01('//' + P.n(P.nic('/?#'))) + P.n(P.nic('?#')) # "n01" 出现 1 次或不出现
query = P.n01('?' + P.n(P.nic('#')))
fragment = P.n01('#' + P.n(P.ANYCHAR))
url = P.tag(P.n01(scheme), tag='scheme') \
+ P.tag(hier, tag='hierachy') \
+ P.tag(query, tag='query') \
+ P.tag(fragment, tag='fragment')一下截图显示了匹配情况，用命令行入口 reb 即可：
正如所见，模式中打上不同标签的部分在文中染上相应颜色，也就是说，scheme，hierachy，query，fragment 这些部分均已被提取出来。
读正则时，相当于用肉眼解析正则，再回推它能够匹配哪些文本。上文看到，分割、命名能够让正则可读性更好，然而另一个办法，可以给模式添加一些用例：
from reb import P
scheme = P.example(
P.n(P.nic(':/?#'), 1) + ':',
'http:',
'https:'
)
hier = P.example(
P.n01('//' + P.n(P.nic('/?#'))) + P.n(P.nic('?#')),
'//google.com',
'localhost',
'127.0.0.1:8080',
)
query = P.example(
P.n01('?' + P.n(P.nic('#'))),
'',
'?a=1',
'?a=1&b=2',
)
fragment = P.example(
P.n01('#' + P.n(P.ANYCHAR)),
'',
'#head'
)
url = P.tag(P.n01(scheme), tag='scheme') \
+ P.tag(hier, tag='hierachy') \
+ P.tag(query, tag='query') \
+ P.tag(fragment, tag='fragment')在上面代码中，url 的每个部分都配有用例。
加用例并不影响模式的匹配和提取过程。区别在于，当模式声明时（模式对象创建时），会做一次检验，确保配有用例的模式一定出现在每个用例当中。 如果精心设置一些用例，读代码的人（可能是其他开发者，也可能是原作者回头读代码）看到这些用例就能了解到一些信息：当时这条规则是从哪种/哪个文本中总结出的，进而明白，这条模式的意图是什么。 用例机制允许写模式时把一些思考过程同时写下来，使读的时候有迹可循。 或者说，规则的作者可以传达给读者一些额外的信息，确保双方面对这段代码时理解一致。 所以说，用例的作用类比代码注释。然而“明确的比不明确的要好”。
在一些自然语言的信息提取场景中，正则的用途广泛。随着预料变得复杂，正则模式会加到很长，即不好读，也不好懂，更不用说修改了。 就算模式被分割成小片段，依然不好改、不好维护。其中一个原因是，改动之后原本可以匹配的没匹配，此时没有任何提示。所以说，另一方面，用例的作用类比测试。当不小心把模式改错了，某个用例就会失败，这个模式定义会失败。迫使开发者在最开始发现错误并做出处理。
在 url 里，若干查询之间可以用 "&" 符号分割开，就像传入多个命名参数一样。 如果想把这若干个参数名字和值都匹配出来，怎么写模式呢？可能会想到 re 可以这样写：
\?(?P<query>[^#&]*)(&(?P<query>[^#&]*))*其实这样写是不行的，会抛出异常，说 query 这个组定义了不止一次。
sre_constants.error: redefinition of group name 'query' as group 3; was group 1 at position 25
但在做信息抽取时，这个需求很普遍。只是想给两个不同的片段打上同一个标签，不一定必须出现一次。在 reb 里，用 tag 就可以做到同等的效果：
from reb import P
scheme = P.example(
P.n(P.nic(':/?#'), 1) + ':',
'http:',
'https:'
)
hier = P.example(
P.n01('//' + P.n(P.nic('/?#'))) + P.n(P.nic('?#')),
'//google.com',
'localhost',
'127.0.0.1:8080',
)
a_query = P.tag(P.n(P.nic('#&')), tag='query')
query = P.example(
P.n01('?' + P.n(a_query + '&') + a_query),
'',
'?a=1',
'?a=1&b=2',
)
fragment = P.example(
P.n01('#' + P.n(P.ANYCHAR)),
'',
'#head'
)
url = P.tag(P.n01(scheme), tag='scheme') \
+ P.tag(hier, tag='hierachy') \
+ query \
+ P.tag(fragment, tag='fragment') 从截图中绿色的文字可以知道，"a_query" 这个模式均被提取并在原文中打上标签。
reb.P 是构建模式时用户需要用到的唯一入口。
此处的约定是，原语都用小写字母意味着它是一个模式工厂，原语都用大写字母意为着它已经是一个模式。
| 原语 | 表意 | re 当中的同名功能 |
|---|---|---|
| pattern | literals | |
| ic | In Chars | [] |
| nic | Not In Chars | [^] |
| tag | just like group | |
| n | repeat for N times | * or {n, m} |
| n01 | repeat for 0 or 1 time | + |
| any | | | |
| onceeach | ||
| example | ||
| ANYCHAR | . | |
| STARTING | ^ | |
| ENDING | $ | |
| NEWLINE | \n |
Pattern.extract 方法是 pattern 对象做抽取的入口方法，它返回一系列 PTNode 对象.
class Pattern:
def extract(self, text: str) -> List[PTNode]:
"""Extract info from text by the pattern, and return every match, forming a parse tree"""注意，目前为止的版本不兼容 posix 正则标准，也没有和 python 自带的 re 接口保持一致
PTNode.text原始文本PTNode.string同PTNode.textPTNode.content该节点对应的匹配成功的片段PTNode.start()匹配片段的开始下标PTNode.end()匹配片段的结束下标PTNode.children子节点PTNode.fetch(tag)一个迭代器，提取出所有指定标签的匹配片段PTNode.pp()pretty printPTNode.show()打印解析树细节