如何有选择地向捕获组添加逗号和空格？

Question

我正在尝试在每个文本块中匹配五个子字符串（总共有100个块）。

我匹配了99％的文本块，但是关于第3组和第4组有一些错误。

这是一个演示链接： https : //regex101.com/r/cW2Is3/4

第3组是“词性”，第4组是英语翻译。

在第一段文本中， det, pro应该都在第3组中，然后the; him, her, it, them the; him, her, it, them应该在第4组中。

在第三段文本中再次出现相同的问题。
第3组应为adj, det, nm, pro ，第4组应为a, an, one 。

这是我的模式：

([0-9]+)\s+(\w+(?:, \w+)?)\s+(\N+?)\s+(\H.+).*?\r?\n•\s+([\s\S]*?)\s+[0-9]+\s\|.*\s*

Answer 1

Voici ...

/^(\d+) +(\w+) +([acdefijlmnoprtv()]+(?:, ?[acdefijlmnoprtv()]+)*) +([\S\s]+?)\n\x{2022} +([\S\s]+?)\n\d+ \| [-\dn]+\s*/gum

演示链接

我已经尽力优化了模式。 我从您的模式中减少了近10,000个步骤，并根据需要达到了100个匹配项。

• 起始锚^用于标识每个块的起始（效率/准确度）
• \\d代替[0-9] （简洁）
• \\s在适用的地方用文字空间代替（简洁）
• 对于捕获组3，使用特定字母和括号的字符类代替\\w 。（效率）*为简洁起见，可以用[\\w()]替换，以免造成效率降低
• 项目符号是使用文字\\x{2022} （个人首选项）
• 每个块[-\\dn]结尾字符上使用的字符类。 （效率/准确度）

Answer 2

当您必须描述包含许多部分的长字符串时，第一个反射就是使用自由空间模式（x修饰符）和命名组（即使命​​名组在替换上下文中不是很有用，它们也有助于使模式可读，更易于调试）：

~^
(?<No> [0-9]+ )  \h+
(?<word> \pL+ )  \h+
(?<type> [\pL()]+ (?: , \h* [\pL()]+ )* )  \h+
(?<wd_tr> [^•]* [^•\s] )  \h* \R

• \h*
(?<sent_fr> [^–]* [^\s–] )   \s* – \s*
(?<sent_eng> .* (?:\R .*)*? )  \h* \R

(?<num1> [0-9]+ )  \h* \| \h*
(?<num2> .*\S )
~xum

演示

没有神奇的方法可以为格式模糊的字符串构建模式。 您可以做的就是一开始就采取最严格的措施，并在遇到不匹配的案件时增加灵活性。