VSCode 中的正则表达式：捕获每个字符/字母 - 不仅仅是 ASCII

Posted 2023-02-16

【中文标题】VSCode 中的正则表达式：捕获每个字符/字母 - 不仅仅是 ASCII

【英文标题】：RegEx in VSCode: capture every character/letter - not just ASCII

【发布时间】：2022-01-21 15:54:09

【问题描述】：

我正在处理历史文本，我想用 RegEx 重新格式化它。问题是：文本中有很多特殊字符（即：字母）与 [a-z] / [A-Z] 或 \w 等 RegEx 字符类不匹配。 例如，我想匹配以下行中的点（并且只有点）：

<tag1>Quomodo restituendus locus Demosth. Olÿnth</tag1>

没有 ÿ 我可以轻松使用上述字符类，例如：

(?<=(<tag1>(\w|\s)*))\.(?=((\w|\s)*</tag1>))

但它不适用于 ASCII 未涵盖的特殊字符。我尝试了很多东西，但我无法让它工作，所以 RegEx 真的只捕获了这一行中的点。如果我使用更通用的表达式，例如 (.)* （而不是 (\w|\s)* ），我会在文档中得到更多的点（例如，不在开始和结束标记之间但在之间的点两个这样的标签集），这不是我想要的。对于涵盖所有 unicode 字母的表达式有什么想法吗？

【问题讨论】：

你是说这个\. 不匹配点？

请注意，xml 正则表达式不合适。请注意，两者之间的内容并不重要，您不需要肯定的断言来确保点位于打开和关闭标签之间。我需要一半的时间来详细解释这一点。这与 Unicode 无关！

【参考方案1】：

使用排除点和左尖括号的否定字符类：

(?<=<tag1>[^.<]*(?:<(?!/tag1>)[^.<]*)*)\.

使用这种模式，甚至不需要检查结束标记。但是，如果您绝对想检查它，请以以下方式结束模式：

(?=[^<]*(?:<(?!/tag1>)[^<]*)*</tag1>)

【讨论】：

谢谢！这在一种情况下确实很完美：标签之间只有一个点。我知道，我没有指定这一点，但在我的情况下可以有几个点（实际上它们用于标记缩写，例如在名称中它可能看起来像这样：JR Ewing）

【参考方案2】：

您可以将< 和> 之间的任何文本与[^<>]* 匹配：

(?<=(<tag1>[^<>]*))\.(?=([^<>]*</tag1>))

请参阅regex demo。不确定你是否需要所有这些捕获组，没有它们你可能会得到你需要的东西：

(?<=<tag1>[^<>]*)\.(?=[^<>]*</tag1>)

见this regex demo。 详情：

(?<=<tag1>[^<>]*) - 紧跟在<tag1 前面的位置，然后是除< 和> 之外的任何零个或多个字符 \. - 一个点 (?=[^<>]*</tag1>) - 紧接在除< 和> 和</tag1> 之外的任何零个或多个字符前面的位置。