代码之家 › 专栏 › 技术社区 › Zack

Regex将不在括号或大括号内的管道与嵌套块匹配

wiki-markup mediawiki regex ruby

Zack · 技术社区 · 6 年前

我正在尝试解析一些wiki标记。例如,以下内容:

{{Some infobox royalty|testing
| name = Louis
| title = Prince NapolÃ©on 
| elevation_imperial_note= <ref name="usgs">{{cite web|url={{Gnis3|1802764}}|title=USGS}}</ref>
| a = [[AA|aa]] | b =  {{cite
|title=TITLE
|author=AUTHOR}}
}}

可以是要开始的文本。我先拆下起跑线 {{ 和结束 }} ,所以我可以假设这些都不见了。

我想做什么 .split(<regex>) | 中的字符 [[AA|aa]] , <ref name="usgs">{{cite web|url={{Gnis3|1802764}}|title=USGS}}</ref> ,和 {{cite|title=TITLE|author=AUTHOR}}

[
 'testing'
 'name = Louis', 
 'title = Prince NapolÃ©on', 
 'elevation_imperial_note= <ref name="usgs">{{cite web|url={{Gnis3|1802764}}|title=USGS}}</ref>',
 'a = [[AA|aa]]',
 'b =  {{cite\n|title=TITLE\n|author=AUTHOR}}'
]

在任何一点上都可能有断线,所以我不能只是寻找 \n| \s* 或 \n*

https://regex101.com/r/dEDcAS/2

1 回复 | 直到 6 年前

Cary Swoveland 6 年前

下面是一个纯Ruby解决方案。我假设弦中的大括号和方括号是平衡的。

str =<<BITTER_END
Some infobox royalty|testing
| name = Louis
| title = Prince NapolÃ©on 
| elevation_imperial_note= <ref name="usgs">{{cite web|url={{Gnis3|1802764}}|title=USGS}}</ref>
| a = [[AA|aa]] | b =  {{cite
|title=TITLE
|author=AUTHOR}}
BITTER_END

stack = []
last = 0
str.each_char.with_index.with_object([]) do |(c,i),locs|
  puts "c=#{c}, i=#{i}, locs=#{locs}, stack=#{stack}" 
  case c
  when ']', '}'
    puts "  pop #{c} from stack"
    stack.pop
  when '[', '{'
    puts "  push #{c} onto stack"
    stack << c
  when '|'
    puts stack.empty? ? "  record location of #{c}" : "  skip | as stack is non-empty" 
    locs << i if stack.empty?
  end
    puts "  after: locs=#{locs}, stack=#{stack}" 
end.map do |i|
  old_last = last
  last = i+1
  str[old_last..i-1].strip if i > 0
end.tap { |a| a << str[last..-1].strip if last < str.size }
  #=> ["Some infobox royalty",
  #    "testing",
  #    "name = Louis", 
  #    "title = Prince NapolÃ©on",
  #    "elevation_imperial_note= <ref name=\"usgs\">
  #      {{cite web|url={{Gnis3|1802764}}|title=USGS}}</ref>",
  #    "a = [[AA|aa]]",
  #    "b =  {{cite\n|title=TITLE\n|author=AUTHOR}}"]

^1. .

解释

有关如何确定要拆分的管道符号位置的说明,请运行上面的Heredoc以确定 str (首先需要取消Heredoc的缩进),然后运行以下代码。一切都将揭晓(输出很长,所以请关注对数组的更改 locs 和 stack .)

stack = []
str.each_char.with_index.with_object([]) do |(c,i),locs|
  puts "c=#{c}, i=#{i}, locs=#{locs}, stack=#{stack}" 
  case c
  when ']', '}'
    puts "  pop #{c} from stack"
    stack.pop
  when '[', '{'
    puts "  push #{c} onto stack"
    stack << c
  when '|'
    puts stack.empty? ? "  record location of #{c}" : "  skip | as stack is non-empty" 
    locs << i if stack.empty?
  end
    puts "  after: locs=#{locs}, stack=#{stack}" 
end
  #=> [20, 29, 44, 71, 167, 183]

如果需要,可以确认支架和支架的平衡如下。

def balanced?(str)
  h = { '}'=>'{', ']'=>'[' }
  stack = []
  str.each_char do |c|
    case c
    when '[', '{'
      stack << c
    when ']', '}'
      stack.last == h[c] ? (stack.pop) : (return false)
    end
  end   
  stack.empty?
end

balanced?(str)
  #=> true

balanced?("[[{]}]")
  #=> false

^{为了透明度,有机会使用某个词} .

Marnen Laibow-Koser 5 年前

Casimir et Hippolyte 5 年前

使用split方法拆分字符串通常比扫描所需的子字符串更复杂。

跳过括在括号中的管道相对容易,您所要做的就是定义能够匹配最终嵌套括号的子模式,并在主模式中使用它们。这样,它们之间的管道就被忽略了。

确保与干管外的管道不匹配 {{...}} \G \克 是最后一场成功的比赛后该位置的锚。它确保每一场比赛都与上一场比赛保持连续。从闭幕式开始 }} 永远不会在主模式中使用,您可以确定,当达到此模式时,该模式将失败,并且不可能进行进一步的匹配。

pat = /
  # subpatterns
  (?<cb>  { [^{}]*+   (?: \g<cb> [^{}]*   )*+  } ){0} # curly brackets
  (?<sb> \[ [^\]\[]*+ (?: \g<sb> [^\]\[]* )*+ \] ){0} # square brackets

  (?<nbpw> [^|{}\]\[\s]+ ){0} # no brackets, pipes nor white-spaces

  # main pattern
  (?:
      \G (?!\A) \s* # other contigous matches branch
    |
      {{ [^|{}]*+ # first match branch
      # check if curly brackets are balanced until }} (optional but recommended)
      (?= [^{}]*+ (?: \g<cb> [^{}]* )*+ }} )
  )
  \| \s* 

  (?<result>
      \g<nbpw>?
      (?: \s* (?: \g<cb> | \g<sb> | \s \g<nbpw> ) \g<nbpw>? )*
  )
/x

str.scan(pat).map{|item| item[3]}

请注意,已经为空白修剪了结果。

{{...}} 一次块,在模式的第二个分支周围添加一个捕获组,以知道下一个块何时开始。