正则表达式匹配在任意位置连字符并分成两行的特定单词

Posted 2023-02-18

【中文标题】正则表达式匹配在任意位置连字符并分成两行的特定单词

【英文标题】：regex to match specific words hyphenated at arbitrary positions and split across two lines

【发布时间】：2012-10-16 00:48:24

【问题描述】：

我希望在文本文件中搜索给定的单词，该单词可以选择在单词中的未知位置连字符并拆分为连续的行。

例如。匹配“连字符”内：

This sentence contains a hyphena-
ted word.

最接近（没有吸引力）的解决方案：

"h\(-\s*\n\s*\)\?y\(-\s*\n\s*\)\?p\(-\s*\n\s*\)\?h\(-\s*\n\s*\)\?e\(-\s*\n\s*\)\?n\(-\s*\n\s*\)\?a\(-\s*\n\s*\)\?t\(-\s*\n\s*\)\?e\(-\s*\n\s*\)\?d"

我希望一些比我强的 regex-foo 可以提出一个明确包含正在搜索的单词的正则表达式，即。我想在那里看到“连字符”。我还没有找到一种编码类似以下内容的方法（无论如何这都是错误的，因为它会匹配“hy-ted”）：

"prefix-of:hyphenatedhyphen/linebreaksuffix-of:hyphenated"

我意识到预处理文档以折叠此类单词会使搜索变得更简单，但我正在寻找一个正则表达式，我可以在由于所涉及的工具而无法做到这一点的上下文中使用它。

【参考方案1】：

我认为这会奏效。如果您有很多词要搜索，您可能需要创建一个脚本来为您生成搜索模式。

[h\-]+\s*[y\-\s]+[p\-\s]+[h\-\s]+[e\-\s]+[n\-\s]+[a\-\s]+[t\-\s]+[e\-\s]+d\b

我认为您没有提到您使用的是哪种语言，但我使用 .Net 对此进行了测试。

这是一个简单的 Python 脚本，它将生成搜索模式：

# patterngen.py
# Usage:  python patterngen.py <word>
# Example:  python patterngen.py hyphenated

word = sys.argv[1]
pattern = '[' + word[0] + r'\-]+\s*'

for i in range(1,len(word)-1):
    pattern = pattern + r'[' + word[i]
    pattern = pattern + r'\-\s]+'

pattern = pattern + word[-1] + r'\b'
print pattern

【讨论】：

这几乎不比 OP 的努力好。我认为我们正在寻找更复杂的东西。

【参考方案2】：

考虑到hy-phen-ated 也应该匹配，我认为这是正则表达式单独 不是正确方法的情况。

我会这样做（不懂你的语言，我使用了伪代码）：

从输入中删除连字符和换行符 将清理后的输入与.*hyphenated.* 匹配

所有语言都可以轻松实现第 1 步，而且代码的可读性会更高。

【讨论】：

这仍然与 OP 的要求发生冲突，即不能对输入进行预处理，尽管我现在无法想象在什么上下文中您可以与正则表达式匹配，但无法进行预处理输入文本。

【参考方案3】：

解决这个问题的另一种方法，就在蝙蝠的右边，是像这样“滑动”连字符：

hyphenated|h(-\s*\n\s*)yphenated|hy(-\s*\n\s*)phenated|hyp(-\s*\n\s*)henated|hyph(-\s*\n\s*)enated|hyphe(-\s*\n\s*)nated|hyphen(-\s*\n\s*)ated|hyphena(-\s*\n\s*)ted|hyphenat(-\s*\n\s*)ed|hyphenate(-\s*\n\s*)d

读起来更好，但我真的不知道这对您的原始模式有何表现。

---

还有一个想法是首先使用以下模式来缩小搜索范围：

h[hypenatd]0,9(-\s*\n*\s)?[hypenatd]0,9

然后在这个结果内匹配。

事实上，如果我没记错的话，如果你匹配这样的组：

(h[hypenatd]0,9)(?:-\s*\n*\s)?([hypenatd]0,9)

那么hyphenated这个词的出现就是所有匹配的地方，伪代码：

(match.group1 + match.group2) == "hyphenated"