Question

我的驱动器包含超过800万个文件，是CRM系统的文件存储区域。文件以特定格式存储，每个文件应在数据库中具有匹配的记录。然而，由于一些非常糟糕的安全性，世界和妻子也在同一个驱动器上创建文件。我的任务是使用Powershell和正则表达式识别我正在执行的无效文件。典型的有效文件路径如下所示：

P:\PERSON\06\19\09\619090.5577930.DOC

所有文件都在名为P：的驱动器上，其中包含四个子目录：EVENT，OPPORTUN，ORGANISA或PERSON。每个子目录包含可变数量的子目录，其名称范围为00到99，文件名是由句点分隔的两组数字，后跟扩展名。

我用来匹配这种模式的正则表达式是：

^P:\\(EVENT|OPPORTUN|ORGANISA|PERSON)\\(\d{2}\\)+\d+\.\d+\.\w{3,4}$

复杂的是，有效文件在文件名中的第一组数字和子目录路径之间也有关系：

删除最后一位数字。

如果数字的长度现在是奇数，则添加前导零。

将结果数分成对，这应该是路径。

所以使用上面的例子：

第一组数字是：619090

删除最后一位数字：61909

长度为奇数，因此添加前导零：061909

分成对：06 \ 19 \ 09

我的问题是这个逻辑可以合并到我的正则表达式中吗，有没有办法使用前向或后向引用？

Answer 1

我试图想出一些东西，如果powershell支持反向引用，你可以试试这个：

^P:\\(?:EVENT|OPPORTUN|ORGANISA|PERSON)\\(?:0(\d)|(\d{2}))\\(\d{2})\\(?P<t>\d{2})\\(?:(?:\1|\2)\3\4)0?\.\d+\.\w{3,4}$

\1到\4是指之前找到的不同捕获组。

我在regex101上测试了一些字符串。

唯一的是它也会接受P:\OPPORTUN\61\90\90\619090.5577930.DOC。 ~~我不太确定如何只使用一个正则表达式来解决这个问题...或者使正则表达式比已经存在的时间更长（这可能会超过两倍）。~~

如果你想真正确定它的时间差不多两倍：

^P:\\(?:EVENT|OPPORTUN|ORGANISA|PERSON)\\0(\d)\\(\d{2})\\(\d{2})\\(?:\1\2\3)0\.\d+\.\w{3,4}|P:\\(?:EVENT|OPPORTUN|ORGANISA|PERSON)\\(\d{2})\\(\d{2})\\(\d{2})\\(?:\4\5\6)\.\d+\.\w{3,4}$

编辑：最多7对数字：

^P:\$?:EVENT|OPPORTUN|ORGANISA|PERSON)\\(?:0(\d)|(\d\d))\\(?:(\d\d)\$?(?:(\d\d)\\)?(?:(\d\d)\\)?(?:(\d\d)\\)?(?:(\d\d)\\)?(?:(?:\1|\2)\3?\4?\5?\6?\7?)0?\.\d+\.\w{3,4}

Answer 2

Jerry的回答指出了我正确的方向，并发现你可以拥有非捕获组中包含的捕获组。下面是我的正则表达式以及一些测试：

$samples = @()
$samples += 'P:\PERSON\06\19\09\619090.5577930.DOC' #good
$samples += 'P:\PERSON\19\09\19090.5577930.DOC' #good
$samples += 'P:\PERSON\10\10\10\06\19\09\1010100619090.5577930.DOC' #good
$samples += 'P:\PERSON\06\19\09\619090a.5577930.DOC' #bad
$samples += 'P:\PERSON\06\19\09\61909090.5577930.DOC' #bad
$samples += 'P:\PERSON\06\19\09\6190905577930.DOC' #bad

$regex = '^P:\\(?:EVENT|OPPORTUN|ORGANISA|PERSON)\\'
$regex += '(?:(\d)(\d)\\|0(\d)\\)(?:(\d{2})\\)?(?:(\d{2})\\)?(?:(\d{2})\\)?(?:(\d{2})\\)?(?:(\d{2})\\)?'
$regex += '(?:\1\2|\3)\4?\5?\6?\7?\8?\d?\.\d+\.\w{3,4}$'

$samples | % {
    $_ -match $regex

}

正则表达式需要匹配从文件名派生文件路径的文件路径。

2 个答案: