正则表达式；反向引用字符集中不匹配的字符

Posted 2023-05-08

【中文标题】正则表达式；反向引用字符集中不匹配的字符

【英文标题】：Regex; backreferencing a character that was NOT matched in a character set

【发布时间】：2012-03-31 21:10:12

【问题描述】：

我想构造一个正则表达式，它匹配' 或"，然后匹配其他字符，分别在匹配' 或" 时结束，具体取决于在开始时遇到的情况.所以这个问题看起来很简单，可以在最后使用反向引用来解决；下面是一些正则表达式代码（它在 Java 中，所以请注意额外的转义字符，例如 " 之前的 \）：

private static String seekerTwo = "(['\"])([a-zA-Z])([a-zA-Z0-9():;/`\\=\\.\\,\\- ]+)(\\1)";

这段代码将成功处理诸如：

"hello my name is bob"
'i live in bethnal green'

当我有这样的字符串时，麻烦就来了：

"hello this seat 'may be taken' already"

使用上面的正则表达式会在遇到'时在初始部分失败，然后它会继续并成功匹配'may be taken'...但这显然是不够的，我需要匹配整个字符串。

我在想的是，我需要一种方法来忽略第一组中不匹配的引号类型，方法是将其作为字符包含在第三组的字符集中。但是，我知道没有办法做到这一点。是否有某种鬼鬼祟祟的 NOT 反向引用函数之类的？我可以用它来引用第一组中不匹配的字符？？或者以其他方式解决我的困境？

【问题讨论】：

您好，欢迎来到 ***。我冒昧地重新格式化你的帖子。您可以单击编辑链接以查看我是如何做到的。知道您是否需要发布代码非常重要...

【参考方案1】：

这可以使用否定的lookahead assertions 来完成。以下解决方案甚至考虑到您可以在字符串中转义引号：

(["'])(?:\\.|(?!\1).)*\1

说明：

(["'])    # Match and remember a quote.
(?:       # Either match...
 \\.      # an escaped character
|         # or
 (?!\1)   # (unless that character is identical to the quote character in \1)
 .        # any character
)*        # any number of times.
\1        # Match the corresponding quote.

这与"hello this seat 'may be taken' already" 或"hello this seat \"may be taken\" already" 正确匹配。

在 Java 中，带有所有反斜杠：

Pattern regex = Pattern.compile(
    "([\"'])   # Match and remember a quote.\n" +
    "(?:       # Either match...\n" +
    " \\\\.    # an escaped character\n" +
    "|         # or\n" +
    " (?!\\1)  # (unless that character is identical to the matched quote char)\n" +
    " .        # any character\n" +
    ")*        # any number of times.\n" +
    "\\1       # Match the corresponding quote", 
    Pattern.COMMENTS);

【讨论】：

Tim 的出色工作，感谢您编辑我的帖子。感谢您的建议，通过一些工作，我修改了我的代码： "(['\"])([a-zA-Z])((?!\\1)[a-zA-Z0-9 ():;/`'\"\\=\\.\\,\\- ])+(\\1)" 所以你的解决方案实际上很简单而且非常有效；在主要字符集之前添加正则表达式 if 语句的等效项，这将直接跳到最后一个循环。并将这两种类型的引号添加到主要字符集中。这样，如果在任何时候找到开始时找到的引号字符，正则表达式将终止并返回。不错。

【参考方案2】：

如果您可以使用环视（Java 确实支持），Tim 的解决方案会非常有效。但是，如果您发现自己使用的语言或工具不支持环视，您可以简单地分别匹配两种情况（双引号字符串和单引号字符串）：

"(\\"|[^"])*"|'(\\'|[^'])*'

分别匹配每种情况，但返回任一情况作为整个匹配项

---

但是

这两种情况都可能成为至少一种可能性的牺牲品。如果不仔细看，您可能会认为这段摘录中应该有 两个 匹配项：

他转身骑上他的自行车。 “等我做完这一切后再见。”他说，在开始他的旅程之前回头看了一会儿。当他进入街道时，一辆城市的手推车与迈克的自行车相撞。 “天啊！”旁观者惊呼。

...但是有 三个 匹配，而不是两个：

"I'll see you later, when I'm done with all this"
's trolleys collided with Mike'
"Oh my!"

而这段摘录只包含 一个 匹配项：

不过，战斗还没有结束。 “嘿！”鲍勃喊道。 “你想要什么？”我反驳道。 “你让我恶心！” “我为什么要关心？” “因为我爱你！” “你做？” Bob 停顿了片刻，然后低声说：“不，我不能爱你！”

你能找到那个吗？ :D

't over yet, though. "Hey!" yelled Bob. "What do you want?" I retorted. "I hate your guts!" "Why would I care?" "Because I love you!" "You do?" Bob paused for a moment before whispering "No, I couldn'

我会建议（如果您准备使用环视），您可以考虑做一些额外的检查（例如在第一个引号之前对空格或类似内容进行积极的回看）以确保您不匹配像 @987654324 这样的东西@ - 虽然如果没有先进行大量测试，我不会在任何解决方案上投入太多资金。在任一表达式的开头添加(?<=\s|^) 将避免上述情况...即：

(?<=\s|^)(["'])(?:\\.|(?!\1).)*\1                    #based on Tim's

或

(?<=\s|^)("(\\"|[^"])*"|'(\\'|[^'])*')               #based on my alternative

我不确定环视与非环视相比效率如何，因此上述两者可能是等效的，或者一个可能比另一个更有效 (?)

【讨论】：

Code Jockey 的一些优点，确实以这种方式解析英文文本是不明智的。但是，我实际上是在尝试在 mysql 代码中解析俄语文本（我在上面的代码中将 а-яА-ЯёЁ 更改为 a-zA-Z，以便这里的人们能够理解其含义），以及在解析字符串时在代码中，它们当然总是保证用一种或另一种引号括起来。