Python regex - prefijo r

¿Alguien puede explicar por qué funciona el ejemplo 1 a continuación, cuando rno se usa el prefijo? Pensé que el rprefijo debe usarse siempre que se usen secuencias de escape. El ejemplo 2 y el ejemplo 3 demuestran esto.

# example 1
import re
print (re.sub('\s+', ' ', 'hello     there      there'))
# prints 'hello there there' - not expected as r prefix is not used

# example 2
import re
print (re.sub(r'(\b\w+)(\s+\1\b)+', r'\1', 'hello     there      there'))
# prints 'hello     there' - as expected as r prefix is used

# example 3
import re
print (re.sub('(\b\w+)(\s+\1\b)+', '\1', 'hello     there      there'))
# prints 'hello     there      there' - as expected as r prefix is not used

Porque \comienzan las secuencias de escape solo cuando son secuencias de escape válidas.

>>> '\n'
'\n'
>>> r'\n'
'\\n'
>>> print '\n'


>>> print r'\n'
\n
>>> '\s'
'\\s'
>>> r'\s'
'\\s'
>>> print '\s'
\s
>>> print r'\s'
\s

A menos que esté presente un prefijo 'r' o 'R', las secuencias de escape en cadenas se interpretan de acuerdo con reglas similares a las utilizadas por el Estándar C. Las secuencias de escape reconocidas son:

Escape Sequence   Meaning Notes
\newline  Ignored  
\\    Backslash (\)    
\'    Single quote (')     
\"    Double quote (")     
\a    ASCII Bell (BEL)     
\b    ASCII Backspace (BS)     
\f    ASCII Formfeed (FF)  
\n    ASCII Linefeed (LF)  
\N{name}  Character named name in the Unicode database (Unicode only)  
\r    ASCII Carriage Return (CR)   
\t    ASCII Horizontal Tab (TAB)   
\uxxxx    Character with 16-bit hex value xxxx (Unicode only) 
\Uxxxxxxxx    Character with 32-bit hex value xxxxxxxx (Unicode only) 
\v    ASCII Vertical Tab (VT)  
\ooo  Character with octal value ooo
\xhh  Character with hex value hh

Nunca confíe en cadenas sin procesar para los literales de ruta, ya que las cadenas sin procesar tienen un funcionamiento interno bastante peculiar , que se sabe que ha mordido a la gente en el trasero:

Cuando hay un prefijo "r" o "R", un carácter que sigue a una barra invertida se incluye en la cadena sin cambios, y todas las barras invertidas se dejan en la cadena. Por ejemplo, la cadena literal r"\n"consta de dos caracteres: una barra invertida y una "n" minúscula. Las comillas de cadena se pueden escapar con una barra invertida, pero la barra invertida permanece en la cadena; por ejemplo, r"\""es un literal de cadena válido que consta de dos caracteres: una barra invertida y una comilla doble; r"\"no es un literal de cadena válido (incluso una cadena sin formato no puede terminar en un número impar de barras invertidas). Específicamente, una cadena sin formato no puede terminar en una sola barra invertida (ya que la barra invertida escaparía del siguiente carácter de comillas). Tenga en cuenta también que una sola barra invertida seguida de una nueva línea se interpreta como esos dos caracteres como parte de la cadena,

Para ilustrar mejor este último punto:

>>> r'\'
SyntaxError: EOL while scanning string literal
>>> r'\''
"\\'"
>>> '\'
SyntaxError: EOL while scanning string literal
>>> '\''
"'"
>>> 
>>> r'\\'
'\\\\'
>>> '\\'
'\\'
>>> print r'\\'
\\
>>> print r'\'
SyntaxError: EOL while scanning string literal
>>> print '\\'
\

la 'r' significa que lo siguiente es una "cadena sin formato", es decir. los caracteres de barra invertida se tratan literalmente en lugar de significar un tratamiento especial del siguiente carácter.

http://docs.python.org/reference/lexical_analysis.html#literals

por lo que '\n'es una sola línea nueva
y r'\n'tiene dos caracteres: una barra invertida y la letra 'n';
otra forma de escribirlo sería '\\n'porque la primera barra invertida escapa a la segunda

una forma equivalente de escribir esto

print (re.sub(r'(\b\w+)(\s+\1\b)+', r'\1', 'hello     there      there'))

es

print (re.sub('(\\b\\w+)(\\s+\\1\\b)+', '\\1', 'hello     there      there'))

Debido a la forma en que Python trata los caracteres que no son caracteres de escape válidos, no todas esas barras diagonales inversas dobles son necesarias; por ejemplo, '\s'=='\\s'sin embargo, no ocurre lo mismo con '\b'y '\\b'. Mi preferencia es ser explícito y duplicar todas las barras invertidas.

No todas las secuencias que incluyen barras invertidas son secuencias de escape. \ty lo \fson, por ejemplo, pero \sno lo son. En un literal de cadena no sin formato, cualquiera \que no sea parte de una secuencia de escape se considera simplemente otro \:

>>> "\s"
'\\s'
>>> "\t"
'\t'

\b es una secuencia de escape, sin embargo, el ejemplo 3 falla. (Y sí, algunas personas consideran este comportamiento bastante desafortunado).

Trata eso:

a = '\''
'
a = r'\''
\'
a = "\'"
'
a = r"\'"
\'

Consulte el siguiente ejemplo:

print r"123\n123" 
#outputs>>>
123\n123


print "123\n123"
#outputs>>>
123
123