WUB 中的正则表达式提取字符

Posted 2023-02-22

【中文标题】WUB 中的正则表达式提取字符

【英文标题】：Regex Extract Characters inside WUB

【发布时间】：2020-07-31 11:46:08

【问题描述】：

我想要一个提取“WUB”中所有单词的正则表达式，但没有找到任何解决方案！ 例如它会从 "WUBWEWUBAREWUBWUBTHEWUBCHAMPIONSWUBMYWUBFRIENDWUB"

以下字符串（不带引号） ["WE", "ARE", "THE", "CHAMPIONS"]

这是我迄今为止尝试过的：

((?:.(?!WUB))+) 但它给了我以下输出（来自上面的例子）：

['WUBW', 'WUBAR', 'WU', 'WUBTH', 'WUBCHAMPION', 'WUBM', 'WUBFRIEN', 'WUB']

请帮助我更了解这个问题

【问题讨论】：

您使用的构造是一个损坏的 tempered 贪婪令牌。您希望匹配除字符序列之外的任何文本，但它不用于此，正则表达式中没有这样的构造。 TGT 只匹配任何字符，0 或 1 次或多次出现，不开始某些序列。只需使用WUB 拆分并删除空项目。或者，使用 WUB(.*?)(?=WUB) 并获取第 1 组值。或(?<=WUB).*?(?=WUB)，见demo

上述$_ ne '' && push @result, $_ for split('WUB', $data);的简单实现。

链接问题的答案都没有回答 OP 的问题，所以我重新打开了这个问题。

请修正标签以排除您不使用的语言。 （如果您有不止一种语言的类似问题，请将它们作为单独的问题发布。）

【参考方案1】：

$str =~ / WUB \K (?:(?!WUB).)+ (?=WUB) /sxg

或

$str =~ / (?<=WUB) (?:(?!WUB).)+ (?=WUB) /sxg    # Probably slower.

在WUB 之后开始，实际上不包括匹配中的 WUB (\K)，找到一个或多个不是WUB 开头的字符。确保其后跟WUB ((?=WUB))。

---

如果字符串总是以WUB 开头和结尾，或者如果您不介意获取第一个WUB 之前和最后一个WUB 之后的文本，那么以下内容会更清晰，而且肯定更快：

grep length, split /WUB/, $str

【参考方案2】：

另一种方法，使用拆分：

my $str = "WUBWEWUBAREWUBWUBTHEWUBCHAMPIONSWUBMYWUBFRIENDWUB";

# grep is here to remove empty elements
my @list = grep length, split /WUB/, $str;
say Dumper\@list;

输出：

$VAR1 = [
          'WE',
          'ARE',
          'THE',
          'CHAMPIONS',
          'MY',
          'FRIEND'
        ];

基准测试：

use Modern::Perl;
use Benchmark qw(:all);

my $str = "WUBWEWUBAREWUBWUBTHEWUBCHAMPIONSWUBMYWUBFRIENDWUB";

my $count = -3;
cmpthese($count, 
    'match' => sub 
        my @list = $str =~  / WUB \K (?:(?!WUB).)+ (?=WUB) /sxg;
    ,
    'split' => sub 
        my @list = grep length, split /WUB/, $str;
    ,
);

输出：

          Rate match split
match  57806/s    --  -54%
split 126455/s  119%    --

【讨论】：

abcWUBdefWUBghi 失败，返回的文本不在WUB 之间。 （如果 OP 没有明确指定他们想要 WUB 之前的文本，我会建议 grep length, split /WUB/, $str）

从数字的角度来看，匹配方法比拆分方法慢 1/55486 秒 - 1/99924 秒 = 8 微秒。

如果您使用拆分，您可以简单地删除结果的第一个和最后一个条目。

@GeorgMavridis：这就是我所做的，但如果字符串不是以WUB 开头，它就不起作用。

【参考方案3】：

没有前瞻/后瞻断言的简单正则表达式是：

 /WUB((?:[^W]|W[^U]|WU[^B])+)/g

这假定测试的字符串以 WUB 结尾。如果没有，您要么必须在末尾包含一个零和前瞻断言 (?=WUB)，

 /WUB((?:[^W]|W[^U]|WU[^B])+)(?=WUB)/g

或在使用正则表达式之前删除最后一个 WUB 后面的任何字符。

 s/WUB(?:[^W]|W[^U]|WU[^B])+$/WUB/

.

#! /usr/bin/env perl
use strict;
use warnings;
use Data::Dumper;
my $s = "WUBWEWUBAREWUBWUBTHEWUBCHAMPIONSWUBMYWUBFRIENDWUB";

print Dumper ([$s =~ /WUB((?:[^W]|W[^U]|WU[^B])+)/g]);

打印出来：

$VAR1 = [
          'WE',
          'ARE',
          'THE',
          'CHAMPIONS',
          'MY',
          'FRIEND'
        ];

【讨论】：

你是对的。我假设字符串是“格式正确的”，如示例中所示。如果不是，最简单的解决方案是在末尾添加一个带有前瞻断言 (?=WUB) 的零，或者在使用正则表达式之前删除最后一个 WUB 后面的任何字符。