正则表达式仅匹配大写“单词”，但有一些例外

Posted 2023-02-16

【中文标题】正则表达式仅匹配大写“单词”，但有一些例外

【英文标题】：Regex to match only uppercase "words" with some exceptions

【发布时间】：2011-06-03 15:43:34

【问题描述】：

我有如下技术字符串：

"The thing P1 must connect to the J236 thing in the Foo position."

我想用正则表达式匹配那些只有大写的单词（即这里的P1 和J236）。问题是当它是一个字母的单词时，我不想匹配句子的第一个字母。

例如，在：

"A thing P1 must connect ..." 

我只想要P1，而不想要A 和P1。通过这样做，我知道我可能会错过一个真正的“词”（例如"X must connect to Y"），但我可以忍受它。

另外，如果句子都是大写的，我不想匹配大写单词。

例子：

"THING P1 MUST CONNECT TO X2."

当然，理想情况下，我想在这里匹配P1 和X2 的技术词，但由于它们在全大写句子中“隐藏”，而且这些技术词没有特定的模式，所以这是不可能的。再次，我可以忍受它，因为全大写的句子在我的文件中并不常见。

谢谢！

【问题讨论】：

所有技术术语都包含数字吗？

无论你做什么，都不要使用像[A-Z]这样的7位字面量。那是非常 RADIX-50，在过去几十年编写的代码中没有位置。使用适用于任何文本的东西。这至少意味着使用与\w 或[[:alpha:]] 或\pL 或\pAlphabetic 相关的内容，具体取决于您的正则表达式语言和环境。事实上，实现方式差异很大，其中一些在某些平台上可能是合法且正确的，但在其他平台上可能是合法且错误的。

【参考方案1】：

在某种程度上，这会因您使用的 RegEx 的“风格”而异。以下是基于 .NET RegEx，它使用\b 作为单词边界。在最后一个示例中，它还使用了否定环视 (?<!) 和 (?!) 以及非捕获括号 (?:)

不过，基本上，如果术语总是包含至少一个大写字母后跟至少一个数字，您可以使用

\b[A-Z]+[0-9]+\b

对于全大写和数字（总数必须为 2 或更多）：

\b[A-Z0-9]2,\b

对于全大写和数字，但至少以一个字母开头：

\b[A-Z][A-Z0-9]+\b

祖父，返回具有大写字母和数字的任意组合，但在行首不是单个字母且不属于全大写行的项目：

(?:(?<!^)[A-Z]\b|(?<!^[A-Z0-9 ]*)\b[A-Z0-9]+\b(?![A-Z0-9 ]$))

细分：

正则表达式以(?: 开头。 ?: 表示——尽管后面的内容在括号中，但我对捕获结果不感兴趣。这称为“非捕获括号”。在这里，我使用的是括号，因为我使用的是交替（见下文）。

在非捕获括号内，我有两个单独的子句，由管道符号 | 分隔。这是交替——就像一个“或”。正则表达式可以匹配第一个表达式或第二个。这里的两种情况是“is this the first word of the line”或“everything else”，因为我们有特殊要求，排除行首的单字母词。

现在，让我们看看交替中的每个表达式。

第一个表达式是：(?<!^)[A-Z]\b。这里的主要子句是[A-Z]\b，它是任何一个大写字母后跟一个单词边界，可以是标点符号、空格、换行符等。之前的部分是(?<!^)，这是一个“负向回溯”。这是一个零宽度断言，这意味着它不会“消耗”字符作为匹配的一部分——在这里理解这一点并不重要。 .NET 中否定后向查找的语法是 (?<!x)，其中 x 是在我们的主子句之前必须 not 存在的表达式。这里的表达式只是^，或行首，所以这一侧的交替翻译为“任何由单个大写字母组成的单词，在行的开头不是 。”

好的，所以我们正在匹配不在行首的单字母大写单词。我们仍然需要匹配由所有数字和大写字母组成的单词。

这由交替中第二个表达式的一小部分处理：\b[A-Z0-9]+\b。 \bs 代表单词边界，[A-Z0-9]+ 将一个或多个数字和大写字母匹配在一起。

表达式的其余部分由其他环视组成。 (?<!^[A-Z0-9 ]*) 是另一个否定的lookbehind，表达式为^[A-Z0-9 ]*。这意味着前面的内容不能全部是大写字母和数字。

第二个环视是(?![A-Z0-9 ]$)，这是一个负环视。这意味着后面的内容不能全部是大写字母和数字。

因此，总的来说，我们正在捕获所有大写字母和数字的单词，并从行首排除一个字母的大写字符以及所有大写行中的所有内容。

这里至少有一个弱点，第二个替换表达式中的环视是独立的，所以像“A P1 应该连接到 J9”这样的句子将匹配 J9，但不匹配 P1，因为 P1 之前的所有内容都是大写的。

可以绕过这个问题，但它会使正则表达式的长度几乎增加三倍。尝试在单个正则表达式中做这么多事情很少，如果有的话，是合理的。您最好将工作分解为多个正则表达式，或者在您选择的编程语言中组合正则表达式和标准字符串处理命令。

【讨论】：

谢谢！我的情况是“全大写和数字”。您提出的解决方案的问题是它会匹配“A thing P1 connect to XYZ”中的A。

@Patrick 这些不匹配 A。前三个需要两个或多个字符，最后一个只需要一个或多个，但不能在开头。

对不起，Jay，我没有看到你第一篇文章中的祖父部分。不幸的是，当我尝试使用 preg_replace 时，它​​返回消息：“警告：preg_replace()：编译失败：后向断言在第 1 行的命令行代码中的偏移 32 处不是固定长度”

@Patrick 就像我说的，它会因 RegEx 风格而异，我不知道你在使用什么。并非每种类型的 RegEx 都使用相同的符号，也不是每种类型都支持相同的功能。给出的示例基于 .NET Regex；抱歉，它不适合你。

Jay，我能请你解释一下你的“爷爷”的不同部分吗，我正在努力理解它以适应我的 PCRE 风格。再次感谢！

【参考方案2】：

为什么你需要在一个怪物正则表达式中做到这一点？您可以使用实际代码来实现其中一些规则，如果这些要求以后发生变化，这样做会更容易修改。

例如：

if(/^[A-Z0-9\s]*$/)
    # sentence is all uppercase, so just fail out
    return 0;

# Carry on with matching uppercase terms

【讨论】：

实际上，我有一组包含在 mysql 表中的正则表达式，我的 php 代码按顺序执行所有这些 preg_replace() 。这就是为什么我不想通过添加 if 来增加复杂性。当然，如果实在不行，我可能会改变主意……

好问题。逻辑存储在数据库中，因为最终，用户有责任（通过网络表单）输入将应用于特定文本的正则表达式。我的程序循环遍历这些正则表达式并返回匹配项。

【参考方案3】：

也许你可以先运行这个正则表达式来查看该行是否全部大写：

^[A-Z \d\W]+$

只有当它是像THING P1 MUST CONNECT TO X2.这样的行时才会匹配

否则，您应该能够使用以下方法提取单个大写短语：

[A-Z][A-Z\d]+

这应该匹配The thing P1 must connect to the J236 thing in the Foo position.中的“P1”和“J236”

【讨论】：

在所有大写检查中，我认为空格在 \W 中，然后添加 _ 并假设不需要对空字符串进行进一步检查，它可以概括为 /^[A-Z\d\W_]*$/

【参考方案4】：

不要做 [A-Z] 或 [0-9] 之类的事情。做 \pLu 和 \d 代替。当然，这对于基于 perl 的正则表达式风格有效。这包括 java。

我建议你不要做一些巨大的正则表达式。首先将文本拆分为句子。然后对其进行标记（分成单词）。使用正则表达式检查每个标记/单词。跳过句子中的第一个标记。事先检查所有标记是否都是大写的，如果是则跳过整个句子，或者在这种情况下更改正则表达式。

【参考方案5】：

无论如何，我都不是正则表达式专家。但是试试：

<[A-Z0-9][A-Z0-9]+>

<           start of word
[A-Z0-9]    one character
[A-Z0-9]+   and one or more of them
>           end of word

我不会尝试整个大写句子的加分。呵呵

【参考方案6】：

对于您建议的第一种情况，您可以使用：'[[:blank:]]+[A-Z0-9]+[[:blank:]]+'，例如：

echo "P1 的东西必须连接到 Foo 位置的 J236 的东西" | grep -oE '[[:blank:]]+[A-Z0-9]+[[:blank:]]+'

在第二种情况下，您可能需要使用其他东西而不是正则表达式，也许是带有技术词汇字典的脚本...

干杯，费尔南多

【讨论】：

我赞成这一点，因为我有使用技术术语词典的想法。由于 OP 已经在其他 cmets 中确定了数据库可用，因此使用此类信息找到有趣的术语似乎更有意义，而不是尝试根据不完善的约定来识别它们。

嗯，确实有数据库可用，但我也提到了技术词没有特定的模式。