将字符串中的最后一个单词与最后一个非单词匹配

Question

我需要将最后一个 非单词与字符串上的最后一个单词匹配（ 均为可选 ）。 匹配项将从原字符串中删除，方法是将其替换为null。 我目前的结果是：

正则表达式：

\W*  # Matches optional lasts non-words.
\w*  # Matches optional last word.
$

工作案例： 此处的单元测试

String                        Removed            Result
----------------------------------------------------------------------------
"Hello World!"                "!"                "Hello World"
"Hello World"                 " World"           "Hello"
"Hello "                      " "                "Hello"
"Hello"                       "Hello"            ""

"Hello; World!"               "!"                "Hello; World"
"Hello; World"                "; World"          "Hello"
"Hello;"                      ";"                "Hello"

---

当然，我有问题。 我想接受HTML实体作为单词的一部分，但是由于它具有非单词字符（结尾的分号 ），因此最终的分号被匹配并错误地替换了。

目前，我只期望与简单的HTML实体匹配，基本上&\\w+;匹配&\\w+; （例如&aaccute; ），我将在以后对其进行改进（ 现在，让我们使用它来简化答案 ）。

我的期望： 这里的单元测试，现在失败了

String                        Removed            Result
----------------------------------------------------------------------------
"Hell&aaccute; World!"        "!"                "Hell&aaccute; World"
"Hell&aaccute; World"         " World"           "Hell&aaccute;"
"Hell&aaccute;"               "Hell&aaccute;"    ""
"&aaccute; &aaccute;"         " &aaccute;"       "&aaccute;"
"&aaccute; "                  " "                "&aaccute;"
"&aaccute;"                   "&aaccute;"        ""

---

我想，我只需要在某个位置添加HTML实体表达式即可避免与第一个表达式（ \\W* ）匹配。 但是我尝试了一些方法，但是没有用。

Answer 1

我不知道有什么方法可以实现您指定的正则表达式匹配目标。 我认为您需要可变宽度的负向回溯以避免匹配不需要的HTML实体，而且在我所见过的任何实现中都不存在。

但是，如果您的真正目标只是按照指定的方式拆分字符串，则有两种方法可以实现该目标。

#1

您可以将初始字符作为一个组进行匹配和使用，仅将第一个组匹配（ ${result} ）替换为原始字符串。 ${removed}将使文本与您在问题中描述的已删除字符匹配。

^(?<result>.*?(?:(?:&[az]+;)|\\w)*?)(?<removed>(\\W*)((?:&[az]+;|\\w)*))(?<=.)$ @ regex101

由于所有匹配项都是可选的，因此出现了尾随(?<=.) ，以避免匹配完全为空的行。 我还按照您的建议使用了HTML实体的简化定义（例如，假定为小写字母，而忽略诸如“＆＃60;”之类的数字实体）。

所有更新的单元测试均通过。

#2

另外，您可以反转字符串，并使用类似此正则表达式的内容来匹配要删除的所需字符：

^(?<removed>((?:;[az]+&|\\w)*)((?:[^\\w;]|;(?![az]+&))*))(?<=.)

然后，删除字符后，重新反转字符串。 ${removed}将具有被删除的字符（作为反向字符串）。 请注意，到目前为止，我仅对“反向”正则表达式进行了一些初步测试。

Answer 2

您不能使用\\w因为您指出它不包含HTML实体。

而是接受字母和 HTML实体的任意组合，如下所示：

([a-zA-Z]*(&[a-zA-Z]+;)*[a-zA-Z]*)+\\s([a-zA-Z]*(&[a-zA-Z]+;)*[a-zA-Z]*)+$ https://regex101.com/r/pH7tK2/2