使用正则表达式，如何有效地匹配双引号与嵌入双引号之间的字符串？

Question

让我们有一个文本，我们希望在双引号之间匹配所有字符串;但在这些双引号中，可以引用双引号。例如：

"He said \"Hello\" to me for the first time"

使用正则表达式，您如何有效地匹配它？

Answer 1

匹配此类输入的一种非常有效的解决方案是使用normal* (special normal*)*模式;这个名字引自Jeffrey Friedl的优秀着作，Mastering Regular Expressions。

这是一种模式，通常用于匹配由常规条目（正常部分）和中间的分隔符（特殊部分）组成的输入。

请注意，就像所有正则表达式一样，它应该在没有更好的选择时使用;虽然可以使用这种模式来解析CSV数据，例如，如果你使用Java，你最好使用OpenCSV。

另请注意，虽然模式名称中的量词是星号（即零或更多），但您可以根据需要改变它们。

带嵌入双引号的字符串

让我们再看一遍上面的例子;请注意，此文本示例可能位于您输入的任何位置：

"He said \"Hello\" to me for the first time"

无论你怎么努力，没有多少“点加上贪婪/懒惰量词”魔法会帮助你解决它。相反，将引号之间的输入分类为正常和特殊：

• normal不是反斜杠或双引号：[^\\"];
• special是反斜杠的序列，后跟双引号：\\"。

将其替换为normal* (special normal*)*模式，这给出了以下正则表达式：

[^\\"]*(\\"[^\\"]*)*

添加双引号以匹配全文给出了最终的正则表达式：

"[^\\"]*(\\"[^\\"]*)*"

您会注意到这也会匹配空的引用字符串。

带破折号分隔符的单词

在这里，我们将不得不在量词上使用变体，因为：

• 我们不想要空话，
• 我们不希望单词以短划线开头，
• 当短划线出现时，它必须至少有一个字母在另一个短划线之前，如果有的话。

为简单起见，我们还假设只允许使用小写的ASCII字母。

示例输入：

the-word-to-match

让我们再次分解为正常和特殊：

• normal：小写的ASCII字母：[a-z];
• special：短划线：-

该模式的规范形式将是：

[a-z]*(-[a-z]*)*

但正如我们所说：

• 我们不希望以破折号开头的字词：第一个*应该变为+;
• 找到破折号后，其后应至少有一个字母：第二个*应变为+。

我们最终得到：

[a-z]+(-[a-z]+)*

在其周围添加单词锚以获得最终结果：

\b[a-z]+(-[a-z]+)*\b

其他运营商变体

上述示例仅限于将*替换为+，但当然您可以根据需要添加任意数量的变体。一个超经典的例子是IP地址：

• normal最多三位数（\d{1,3}），
• 特殊是点：（\.），
• 第一个normal只出现一次，因此没有量词，
• normal内的(special normal*)也只出现一次，因此没有量词，
• 最后，(special normal*)部分恰好出现了三次，因此{3}。

给出了expresison（用词锚装饰）：

\b\d{1,3}(\.\d{1,3}){3}\b

结论

此模式的灵活性使其成为正则表达式工具箱中最有用的工具之一。虽然存在许多问题，如果存在库，则不应使用正则表达式，在某些情况下，必须使用正则表达式。一旦你练习了一下，这将成为你最好的朋友之一！

提示

• 您很可能不需要（或想要）捕获重复的部分（(special normal*)部分）;因此，建议您使用非捕获组。例如，对引用的字符串使用"[^\\"]*(?:\\"[^\\"]*)*"。事实上，如果你想要它，在这种情况下捕获几乎永远不会产生预期的结果，因为重复捕获组只会给你最后捕获（所有先前的重复将被覆盖），除非你在.NET中使用这种模式。 （感谢@ohaal）