用于分隔文本的前瞻

Question

我正试图用里面的几个文件分隔一个巨大的文本。每个文件都以“MINISTÉRIO”开头，所以我试图使用前瞻来捕捉从MINISTÉRIO到下一个MINISTÉRIO的所有内容：

(MINISTÉRIO)[\s\S]*?(^(?=\1))

http://regexr.com/3dk6k

我也试图：

(^MINISTÉRIO)[\s\S]*?(?=\1)

http://regexr.com/3dk6h

虚空正在工作。我有两个问题：为什么我的正则表达式不起作用？应该是我想...而且，如何解决？

谢谢！

Answer 1

问题描述

/(MINISTÉRIO)[\s\S]*?(^(?=\1))/gm匹配文字中任意位置的单词MINISTÉRIO ，将其捕获到群组1中。[\s\S]*?懒惰地匹配任何字符，0或更多重复直到一行后面跟着单词MINISTÉRIO。因此，如果您从字符串中的某个位置到结尾有“文档”，则无法找到该匹配项，因为您无法指定$锚点，因为它已重新定义以匹配结尾行。

使用/(^MINISTÉRIO)[\s\S]*?(?=\1)/g，您只匹配并捕获整个字符串开头的MINISTÉRIO字，并尽可能少地匹配任何字符，直到第一个MINISTÉRIO子字符串为止。 string，在字符串中的任何位置，并且不检查行的开头。

解决方案

您可以使用展开的正则表达式

/^MINISTÉRIO\b.*(?:\n(?!MINISTÉRIO\b).*)*/gm

regex demo is here

当文本太长时，像模式中的延迟匹配需要花费太多时间，使用否定字符类可以大大提高性能。

简而言之：

• ^MINISTÉRIO\b - 在一行开头将MINISTÉRIO作为整个单词匹配：
  • ^ - 一行开始（由于/m修饰符）
  • MINISTÉRIO\b - 整个单词MINISTÉRIO，\b是单词边界
• .*(?:\n(?!MINISTÉRIO\b).*)* - 匹配行开头不是MINISTÉRIO的任何文字：
  • .* - 除了换行符之外的0 +字符
  • (?:\n(?!MINISTÉRIO\b).*)* - 0+序列：
  • \n(?!MINISTÉRIO\b) - 未跟随MINISTÉRIO作为整个单词的换行符
  • .* - 除了换行符之外的0 +字符

它基本上与/^MINISTÉRIO\b(?:(?!^MINISTÉRIO\b)[\s\S])*/gm相同，但应该更快，因为冥想贪婪令牌（(?:(?!^MINISTÉRIO\b)[\s\S])*）相当耗费资源。