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大写的单词(即这里的P1
和J236
)。问题是,当句子是一个字母单词时,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
,而不是A
和P1
。这样做,我知道我可能会错过一个真实的的“单词”(如"X must connect to Y"
),但我可以接受它。
另外,如果句子都是大写的,我不想匹配大写的单词。
示例:
"THING P1 MUST CONNECT TO X2."
当然,理想情况下,我想在这里匹配技术单词P1
和X2
,但由于它们被“隐藏”在全大写的句子中,而且这些技术单词没有特定的模式,这是不可能的。同样,我可以接受它,因为全大写的句子在我的文件中并不常见。
谢谢!
6条答案
按热度按时间nwlqm0z11#
在某种程度上,这将因您使用的RegEx的“风格”而异。以下基于.NET RegEx,它使用
\b
作为单词边界。在最后一个示例中,它还使用了负查找(?<!)
和(?!)
以及非捕获括号(?:)
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,则可以使用
对于全大写和数字(总数必须为2或更多):
对于全大写和数字,但至少以一个字母开头:
Granddaddy,返回具有大写字母和数字的任意组合的项目,但不是行首的单个字母,也不是全大写行的一部分:
细分:
正则表达式以
(?:
开始。?:
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,我使用括号是因为我使用了交替(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。这是一种交替-就像“or”。正则表达式可以匹配第一个表达式 * 或第二个表达式 *。这里的两种情况是“这是该行的第一个单词吗”或“其他所有单词”,因为我们有排除行开头单字母单词的特殊要求。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。在此之前的部分是(?<!^)
,这是一个“负向后看”。这是一个零宽度Assert,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中负向后查找的语法是(?<!x)
,其中 x 是在我们的主子句之前必须 not 存在的表达式。在这里,该表达式只是^
,或行首,因此交替的这一侧翻译为“任何由单个大写字母组成的单词,该行首 not。”好的,我们匹配的是一个字母,大写的单词,它们不在行的开头。我们仍然需要匹配由所有数字和大写字母组成的单词。
它由交替中第二个表达式的相对较小部分处理:
\b[A-Z0-9]+\b
。\b
表示单词边界,[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lookarounds组成。
(?<!^[A-Z0-9 ]*)
是另一个负lookbehind,其中表达式为^[A-Z0-9 ]*
。这意味着前面的内容不能全是大写字母和数字。第二个lookaround是
(?![A-Z0-9 ]$)
,这是一个负的lookahead。这意味着后面的内容不能全是大写字母和数字。因此,总的来说,我们捕获了所有大写字母和数字的单词,并从行的开头排除了单字母大写字符,并从所有大写的行中排除了所有字符。
这里至少有一个缺点,第二个交替表达式中的lookarounds独立地起作用,所以像“A P1 should connect to the J 9”这样的句子将匹配J 9,但不匹配P1,因为P1之前的所有内容都是大写的。
解决这个问题是可能的,但它几乎会使正则表达式的长度增加三倍。试图在一个正则表达式中做这么多事情是很少的,如果有的话,是公正的。你最好把工作分成多个正则表达式,或者在你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。
w3nuxt5m2#
也许你可以先运行这个正则表达式,看看这一行是否都是大写的:
只有当它是像
THING P1 MUST CONNECT TO X2.
这样的行时才匹配否则,您应该能够使用以下命令提取单个大写短语:
应与
The thing P1 must connect to the J236 thing in the Foo position.
中的“P1”和“J236”匹配kupeojn63#
不要像[A-Z]或[0-9]这样的操作,而是使用\p{Lu}和\d。当然,这对于基于perl的正则表达式是有效的。这包括java。
我建议你不要做一些巨大的正则表达式。首先将文本拆分成句子。然后将其标记化(拆分成单词)。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。检查是否所有标记都是大写的,如果是,则跳过整个句子,或者在这种情况下改变正则表达式。
l2osamch4#
为什么需要在一个monster-regex中实现这些呢?您可以使用实际代码来实现其中的一些规则,如果以后这些需求发生变化,这样做会更容易修改。
例如:
ve7v8dk25#
我不是一个正则表达式Maven。但是试试看:
我不会为了整个大写句子的加分而尝试。呵呵
mitkmikd6#
对于您建议的第一种情况,您可以用途:':blank:+[A-Z 0 -9]+:blank:+',例如:
echo“thing P1 must connect to the J236 thing in the Foo position”|grep -oE ':blank:+[A-Z0-9]+:blank:+'
在第二种情况下,也许你需要使用其他东西,而不是正则表达式,也许是一个带有技术词汇字典的脚本......
干杯,费尔南多