是否有一种使用正则表达式的方法来匹配引号外文本的模式?

这可以用现代的regex来完成,因为存在大量对regex引擎的黑客攻击,但是让我做一个发布“不要用正则表达式做这件事”答案的人。

这是 不 正则表达式的作业。这是一个全面的解析器的工作。作为一个不能用(经典)正则表达式处理的示例,请考虑:

()(())(()())

没有(经典的)regex可以确定这些括号是否正确匹配,但是在没有regex的情况下这样做是很简单的:

/* C code */

char string[] = "()(())(()())";
int parens = 0;
for(char *tmp = string; tmp; tmp++)
{
  if(*tmp == '(') parens++;
  if(*tmp == ')') parens--;
}
if(parens > 0)
{
  printf("%s too many open parenthesis.\n", parens);
}
else if(parens < 0)
{
  printf("%s too many closing parenthesis.\n", -parens);
}
else
{
  printf("Parenthesis match!\n");
}

# Perl code

my $string = "()(())(()())";
my $parens = 0;
for(split(//, $string)) {
  $parens++ if $_ eq "(";
  $parens-- if $_ eq ")";
}
die "Too many open parenthesis.\n" if $parens > 0;
die "Too many closing parenthesis.\n" if $parens < 0;
print "Parenthesis match!";

看看编写一些非regex代码为您完成这项工作有多简单?

编辑:好的,看《冒险乐园》回来。:)试试这个(用Perl编写,注释后帮助你理解我在做什么,如果你不了解Perl的话):

# split $string into a list, split on the double quote character
my @temp = split(/"/, $string);

# iterate through a list of the number of elements in our list
for(0 .. $#temp) {

  # skip odd-numbered elements - only process $list[0], $list[2], etc.
  # the reason is that, if we split on "s, every other element is a string
  next if $_ & 1;

  if($temp[$_] =~ /regex/) {
    # do stuff
  }

}

另一种方法是:

my $bool = 0;
my $str;
my $match;

# loop through the characters of a string
for(split(//, $string)) {

  if($_ eq '"') {
    $bool = !$bool;
    if($bool) {

      # regex time!
      $match += $str =~ /regex/;

      $str = "";
    }
  }

  if(!$bool) {

    # add the current character to our test string
    $str .= $_;
  }
}

# get trailing string match
$match += $str =~ /regex/;

(我给出两个答案是因为,在另一种语言中,一种解决方案可能比另一种更容易实现,而不仅仅是因为有多种方法可以做到这一点)

当然,当您的问题变得越来越复杂时,构建一个完整的解析器会带来一些好处,但这是另一匹马。现在,这就足够了。

最简单的方法是同时匹配逗号和带引号的字符串,然后过滤掉带引号的字符串。

/"[^"]*"|,/g

如果您真的不能匹配引号,可以这样做:

/,(?=[^"]*(?:"[^"]*"[^"]*)*\Z)/g

这可能会变慢,因为对于每个逗号,它必须查看剩余的字符并计算引号的数量。 \Z 匹配字符串的结尾。类似 $ ,但永远不会匹配行尾。

如果您不介意额外的捕获组,可以这样做:

/\G((?:[^"]*"[^"]*")*?[^"]*?)(,)/g

这将只扫描字符串一次。它从字符串的开头开始计算引号。 \G 将匹配上次匹配结束的位置。

最后一个模式可能需要一个例子。

Input String: 'This is, some text, followed by "text, in quotes!" and more ,-as'
Matches:
1. ['This is', ',']
2. [' some text', ',']
3. [' and followed by "text, in quotes!" and more ', ',']

它匹配逗号前面的字符串以及逗号。

如前所述, regexp cannot match any nested pattern ,因为它不是 Context-free language .

所以如果你有任何嵌套的引号,你不会用正则表达式来解决这个问题。
(除了 balancing group “.NET regex引擎的功能-如前所述” Daniel L 在评论-中,但是我没有在这里对regex的味道做任何假设)

除非您添加了进一步的规范,例如必须转义引号中的引号。

在这种情况下,以下内容:

text before string "string with \escape quote \" still
within quote" text outside quote "within quote \" still inside" outside "
inside" final outside text

将成功匹配:

(?ms)((?:\\(?=")|[^"])+)(?:"((?:[^"]|(?<=\\)")+)(?<!\\)")?

• 第1组:引用文本前面的文本
• 第2组:双引号内的文本,即使 \" 在里面。

这里有一个得到匹配的表达式,但它并不完美,因为它得到的第一个匹配是整个字符串,删除了最后一个”。

[^"].*(,).*[^"]

我一直在用我的 Free RegEx tester 看看有什么效果。

试验结果

Group Match Collection # 1
Match # 1
Value: This is some text, followed by "text, in quotes!
Captures: 1

Match # 2
Value: ,
Captures: 1

您最好构建一个简单的解析器(伪代码):

quoted := False
FOR char IN string DO
    IF char = '"'
        quoted := !quoted
    ELSE
        IF char = "," AND !quoted
            // not quoted comma found
        ENDIF
    ENDIF
ENDFOR

这取决于是否允许嵌套引号。

理论上,使用嵌套引号是不能这样做的(常规语言不能计数)

在实践中,如果可以限制深度,则可以进行管理。当你增加复杂性的时候,它会变得越来越难看。这就是人们经常用正规的表达方式陷入悲伤的原因(尝试去匹配一些通常不正规的东西)。

请注意,一些“regex”库/语言添加了非常规功能。

如果这类事情变得足够复杂,您就必须为它编写/生成一个解析器。

你需要更多的描述。您想要任何一组可能的带引号的字符串和非带引号的字符串吗?

洛伦伊普桑“多洛尔坐”阿美,“神圣的阿迪皮斯”精英。

…或者只是你想要的模式?我觉得这很接近…

(?<outside>.*?)(?<inside>(?=\"))

但它确实捕获了“”。

也许你可以分两步做?
首先替换引用的文本:

("[^"]*")

然后从剩余的字符串中提取所需的内容

,(?=(?:[^"]*"[^"]*")*[^"]*\z)

正则表达式可能无法计数,但它们可以确定某个数是奇数还是偶数。查找逗号后,lookahead断言,如果前面有引号,则有偶数,这意味着逗号是 不 在一组引号中。

如果需要的话,可以调整它来处理转义引号,尽管最初的问题没有提到这一点。另外,如果您的regex风格支持它们,我会添加原子组或所有格量词来检查回溯。