有没有办法使用正则表达式来匹配引号之外的文本模式？

Question

如标题中所述，有一种方法可以使用正则表达式来匹配出现在引号之外的文本的文本模式。 理想情况下，给出以下示例，我希望能够匹配引号之外的逗号，而不是引号中的逗号。

这是一些文本，后跟“带引号的文本！”

要么

这是一些文本，后跟“带引号的文本”和更多“带引号的文本”！

另外，如果表达式将遵循嵌套引号，将是很好的选择，如以下示例所示。 但是，如果使用正则表达式在技术上不可行，那么很高兴知道是否确实如此。

程序员从办公桌上抬起头来，“这太不好了，”他大声说道，“系统在说'找不到文件！'”

我发现一些表达式可以匹配引号中的内容，但是对于引号之外的内容则没有任何意义。

Answer 1

最简单的方法是同时匹配逗号和带引号的字符串，然后过滤掉带引号的字符串。

/"[^"]*"|,/g

如果您确实无法使引号匹配，则可以执行以下操作：

/,(?=[^"]*(?:"[^"]*"[^"]*)*\Z)/g

这可能会变慢，因为对于每个逗号，它必须查看其余字符并计算引号的数量。 \\Z匹配字符串的结尾。 与$相似，但是永远不会匹配行尾。

如果您不介意额外的捕获组，则可以这样进行：

/\G((?:[^"]*"[^"]*")*?[^"]*?)(,)/g

这只会扫描字符串一次。 它从字符串的开头开始计算引号。 \\G将匹配最后一场比赛结束的位置。

---

最后一个模式可能需要一个示例。

Input String: 'This is, some text, followed by "text, in quotes!" and more ,-as'
Matches:
1. ['This is', ',']
2. [' some text', ',']
3. [' and followed by "text, in quotes!" and more ', ',']

它匹配导致逗号的字符串以及逗号。

Answer 2

由于存在大量对正则表达式引擎的黑客攻击，因此可以使用现代正则表达式来完成，但是让我成为发布“不要使用正则表达式执行此操作”答案的人。

这不是正则表达式的工作。 这是成熟的解析器的工作。 作为您无法使用（经典）正则表达式的示例，请考虑以下几点：

()(())(()())

没有任何（经典的）正则表达式可以确定这些括号是否正确匹配，但是没有正则表达式则很简单：

/* C code */

char string[] = "()(())(()())";
int parens = 0;
for(char *tmp = string; tmp; tmp++)
{
  if(*tmp == '(') parens++;
  if(*tmp == ')') parens--;
}
if(parens > 0)
{
  printf("%s too many open parenthesis.\n", parens);
}
else if(parens < 0)
{
  printf("%s too many closing parenthesis.\n", -parens);
}
else
{
  printf("Parenthesis match!\n");
}

# Perl code

my $string = "()(())(()())";
my $parens = 0;
for(split(//, $string)) {
  $parens++ if $_ eq "(";
  $parens-- if $_ eq ")";
}
die "Too many open parenthesis.\n" if $parens > 0;
die "Too many closing parenthesis.\n" if $parens < 0;
print "Parenthesis match!";

看到编写一些非正则表达式代码为您完成工作有多么简单？

编辑：好的，从看冒险乐园回来了。 :)尝试以下操作（用Perl编写，如果您不了解Perl，可以通过注释来帮助您了解我在做什么）：

# split $string into a list, split on the double quote character
my @temp = split(/"/, $string);

# iterate through a list of the number of elements in our list
for(0 .. $#temp) {

  # skip odd-numbered elements - only process $list[0], $list[2], etc.
  # the reason is that, if we split on "s, every other element is a string
  next if $_ & 1;

  if($temp[$_] =~ /regex/) {
    # do stuff
  }

}

另一种方法是：

my $bool = 0;
my $str;
my $match;

# loop through the characters of a string
for(split(//, $string)) {

  if($_ eq '"') {
    $bool = !$bool;
    if($bool) {

      # regex time!
      $match += $str =~ /regex/;

      $str = "";
    }
  }

  if(!$bool) {

    # add the current character to our test string
    $str .= $_;
  }
}

# get trailing string match
$match += $str =~ /regex/;

（我给出了两个，因为用另一种语言，一种解决方案可能比另一种更易于实现，不仅是因为存在一种以上的解决方案™。）

当然，随着您的问题变得越来越复杂，构造一个成熟的解析器会带来某些好处，但这是一回事。 目前，这已足够。

Answer 3

如前所述， regexp不能匹配任何嵌套模式 ，因为它不是上下文无关的语言 。

因此，如果您有任何嵌套的引号，则不会使用正则表达式解决。
（除了.Net正则表达式引擎的“ 平衡组 ”功能（如Daniel L在评论中提到的那样，但我在此不做任何正则表达式风格的假设）

除非您添加其他规范，否则必须对引号中的引号进行转义。

在这种情况下，请执行以下操作：

text before string "string with \escape quote \" still
within quote" text outside quote "within quote \" still inside" outside "
inside" final outside text

将成功匹配：

(?ms)((?:\\(?=")|[^"])+)(?:"((?:[^"]|(?<=\\)")+)(?<!\\)")?

• group1：带引号的文字之前的文字
• group2：即使双引号中包含\\" ，也要使用双引号引起来。

Answer 4

这是一个获得匹配的表达式，但这并不是完美的，因为它获得的第一个匹配是整个字符串，除去了最后的“。

[^"].*(,).*[^"]

我一直在使用Free RegEx测试仪来查看有效方法。

检测结果

Group Match Collection # 1
Match # 1
Value: This is some text, followed by "text, in quotes!
Captures: 1

Match # 2
Value: ,
Captures: 1

Answer 5

您最好为自己构建一个简单的解析器（伪代码）：

quoted := False
FOR char IN string DO
    IF char = '"'
        quoted := !quoted
    ELSE
        IF char = "," AND !quoted
            // not quoted comma found
        ENDIF
    ENDIF
ENDFOR

Answer 6

这实际上取决于是否允许嵌套引号。

从理论上讲，使用嵌套引号不能执行此操作（常规语言无法计数）

在实践中，您可以管理是否可以限制深度。 随着您添加复杂性，它将变得越来越难看。 这通常是人们对正则表达式感到沮丧的一种方式（试图匹配通常实际上不是正则的东西）。

请注意，某些“正则表达式”库/语言已添加了非正则功能。

如果这种事情变得足够复杂，那么您实际上必须为其编写/生成解析器。

Answer 7

您的说明中需要更多。 您是否想要像这样的任何一组可能的带引号的字符串和非带引号的字符串...

Lorem ipsum“美元坐着” amet，“ consectetur adipiscing”精英人士。

...或者只是您要求的模式？ 我认为这非常接近...

(?<outside>.*?)(?<inside>(?=\"))

但是，它确实捕获了“的”。

Answer 8

也许您可以分两步完成？
首先，您替换引用的文本：

("[^"]*")

然后从剩余的字符串中提取所需的内容

Answer 9

,(?=(?:[^"]*"[^"]*")*[^"]*\z)

正则表达式可能无法计数，但是它们可以确定某事物是奇数还是偶数。 查找逗号后，先行者断言，如果前面有引号，则引号的数量为偶数，这意味着逗号不在一组引号内。

如果需要，可以对它进行调整以处理转义的引号，尽管最初的问题没有提及。 另外，如果您的正则表达式风格支持它们，我将添加原子组或所有格修饰符以保持回溯。