Nested Character Class Subtraction (Hiệu lớp ký tự lồng nhau) trong Python Regex

Python regex cho phép lồng phép trừ (Subtraction) bên trong Character Class: [outer_class -- [inner_class -- [nested_class]]].

Cơ chế hoạt động

Đánh giá từ trong ra ngoài:

1. Tính inner_class -- nested_class → kết quả trung gian.
2. Tính outer_class -- (kết quả trung gian).

Ví dụ minh họa

import re

# [0-9 -- [0-7 -- [0-3]]]
# B1: [0-7] -- [0-3] = [4-7]
# B2: [0-9] -- [4-7] = [0-3] + [8-9] = [0-38-9]
pattern = r'[0-9--[0-7--[0-3]]]'
print(re.findall(pattern, '0123894567'))  # ['0', '1', '2', '3', '8', '9']

Quy tắc quan trọng

• Phép trừ -- [...] phải là phần tử cuối cùng trong character class.
• SAI: [0-9--[4-7]a-d] (có 'a-d' sau phép trừ).
• ĐÚNG: [0-9a-d--[4-7]] (gộp base class trước, trừ sau).
• Phép trừ áp dụng cho toàn bộ base class (kể cả các phần tử trước nó).

Ứng dụng thực tế: Trừ nhiều script Unicode

Muốn trừ cả Basic Latin (ASCII) và Arabic khỏi tất cả chữ Unicode (\p{L}):

# Gộp 2 script cần trừ thành 1 class, rồi trừ 1 lần
[\p{L}--[\p{IsBasicLatin}\p{IsArabic}]]

Lưu ý: \p{...} cần regex engine hỗ trợ Unicode properties (Python re không hỗ trợ, dùng module regex bên thứ 3).

Tóm tắt

• Hỗ trợ lồng trừ: [A--[B--[C]]].
• Phép trừ luôn ở cuối class.
• Không trừ tuần tự được, hãy gộp lớp trừ.
• Python stdlib re hỗ trợ --, &&, || nhưng không hỗ trợ \p{...}.