正则表达式捕获输入块中间的可选组

Posted 2023-03-28

【中文标题】正则表达式捕获输入块中间的可选组

【英文标题】：Regex to capture an optional group in the middle of a block of input

【发布时间】：2009-01-03 02:13:26

【问题描述】：

我遇到了一个看似非常简单的 RegEx 问题，但我无法让它工作。

假设我有这样的输入：

Some text %interestingbit% lots of random text lots and lots more %anotherinterestingbit%
Some text %interestingbit% lots of random text OPTIONAL_THING lots and lots more %anotherinterestingbit%
Some text %interestingbit% lots of random text lots and lots more %anotherinterestingbit%

输入中有很多重复的块，在每个块中我想捕捉一些始终存在的东西（%interestingbit% 和 %anotherinterestingbit%），但也有一些文本可能会或可能不会出现在-在它们之间（OPTIONAL_THING），如果它在那里，我想捕捉它。

像这样的 RegEx 只匹配其中包含 OPTIONAL_THING 的块（并且命名的捕获有效）：

%interestingbit%.+?((?<OptionalCapture>OPTIONAL_THING)).+?%anotherinterestingbit%

所以看起来这只是让整个组可选的问题，对吧？这就是我尝试过的：

%interestingbit%.+?((?<OptionalCapture>OPTIONAL_THING))?.+?%anotherinterestingbit%

但我发现虽然这匹配所有 3 个块，但命名捕获（OptionalCapture）在所有块中都是空的！我如何让它发挥作用？

请注意，每个块中可以有很多文本，包括换行符，这就是我输入“.+？”的原因。而不是更具体的东西。我正在使用 .NET 正则表达式，使用 The Regulator 进行测试。

【参考方案1】：

我的想法与 Niko 的想法相似。但是，我建议放置第二个 .+?在可选组内而不是第一个，如下：

%interestingbit%.+?(?:(?<optionalCapture>OPTIONAL_THING).+?)?%anotherinterestingbit%

这避免了不必要的回溯。如果第一个 .+?位于可选组内，并且搜索字符串中不存在 OPTIONAL_THING，正则表达式在到达字符串末尾之前不会知道这一点。然后它需要回溯，也许相当长，以匹配 %anotherinterestingbit%，正如你所说，它将永远存在。

此外，由于 OPTIONAL_THING 存在时，它始终位于 %anotherinterestingbit% 之前，因此它之后的文本实际上也是可选的，并且更自然地适合可选组。

【参考方案2】：

为什么要多出一组括号？

试试这个：

%interestingbit%.+?(?<OptionalCapture>OPTIONAL_THING)?.+?%anotherinterestingbit%

或者也许这会起作用：

%interestingbit%.+?(?<OptionalCapture>OPTIONAL_THING|).+?%anotherinterestingbit%

在此示例中，该组捕获 OPTIONAL_THING，或者什么都不捕获。

【讨论】：

不，抱歉，这些都不起作用。它们与我的正则表达式相同，组是可选的 - 所有 3 个块都匹配，但没有捕获 OPTIONAL_THING。

@Evgeny，你确定.+？使通配符“不贪心”？也许你可以试试 .*？而是。

@Evgeny，当您将命名组转换为非命名/编号组时，正则表达式的任何工作是否按预期工作？此外，另一种选择是执行类似 /(currently working regex here|regex without OPTIONAL_THING here)/.

@strager，不，无论是否命名都没有区别。大|也不起作用，因为它为上述输入生成 2 个匹配项，第一个匹配项是从第一个块的开头到第二个块的结尾。

对我来说，问题似乎出在第一个非贪婪匹配模式上。您实际上匹配到 OPTIONAL_THING 或什么都没有，所以第一个 .+?立即找到“无”并停止匹配。因为 OPTIONAL_THING 不是紧随其后，第二个 .+?匹配输入的其余部分。对吧..？

【参考方案3】：

试试这个：

%interestingbit%(?:(.+)(?<optionalCapture>OPTIONAL_THING))?(.+?)%anotherinterestingbit%

首先有一个非捕获组匹配.+OPTIONAL_THING 或不匹配。如果找到匹配项，则里面有一个命名组，它会为您捕获OPTIONAL_THING。其余部分使用.+?%anotherinterestingbit% 捕获。

[编辑]：我为其他捕获组添加了几个括号，因此现在捕获的组与以下内容匹配：

$1：OPTIONAL_THING 之前的文本或什么都没有 $2 或 $optionalCapture：OPTIONAL_THING 或什么都没有 $3 : OPTIONAL_THING 之后的文本，或者如果没有找到 OPTIONAL_THING，则为 %interestingbit% 和 %anotherinterestingbit% 之间的全文

这是你要找的三个匹配项吗？

【讨论】：

抱歉，这与使用一个大的“|”有同样的问题- 第一个匹配包含两个块，所以总共只有 2 个匹配，而不是 3 个。

Oooops.. 在注意到我的答案上方有一个新答案之前编辑了我的答案。关于 Stack Overflow 的另一件事——答案不是按时间顺序排列的......