Question

我想按字母顺序捕获指定的日期。可以是以下表格之一

2013年1月1日
2013年1月1日
1月1日
1月1日
2013年1月1日
一月

此外，它们将在句子中出现。例如

“我们可以在下午的某个时间见面。”

我在java中使用以下正则表达式

((?<month>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t?|tember)?|oct(ober)?|nov(ember)?|dec(ember)?)((\\s+)?(?<date>\\d+)?(st|nd|rd|th))?(\\s+)?,?(\\s+)?(?<year>(20)\\d\\d)?)

((?<date>\\d+)?(st|nd|rd|th)?\\s+(?<month>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t?|tember)?|oct(ober)?|nov(ember)?|dec(ember)?)(\\s+)?,?(?<year>(19|20)\\d\\d)?)

我需要在捕获正则表达式后指出字符串中标记的确切位置。

当我查看Matcher.end（）返回的索引时，似乎我的表达式也捕获了一月后的空间。我确实希望捕获像“Jan 1st”这样的表达式，但只有当下一个捕获组匹配时才可以。

是否可以修改上面的正则表达式来执行此操作？

Answer 1

扩展模式以提高可读性：

(
    (?<month>
        jan(uary)?
      | feb(ruary)?
      | mar(ch)?
      | apr(il)?
      | may
      | jun(e)?
      | jul(y)?
      | aug(ust)?
      | sep(t?|tember)?
      | oct(ober)?
      | nov(ember)?
      | dec(ember)?
    )
    (
        (\\s+)?
        (?<date>\\d+)?
        (st|nd|rd|th)
    )?
    (\\s+)?
    ,?
    (\\s+)?
    (?<year>(20)\\d\\d)?
)

即使年份没有，年内的空间也可以匹配。此外，即使日期没有，日期后缀也可以匹配。

清理并修复我得到的模式：

\\b
(?<month>
    jan(uary)?
  | feb(ruary)?
  | mar(ch)?
  | apr(il)?
  | may
  | jun(e)?
  | jul(y)?
  | aug(ust)?
  | sep(t|tember)?
  | oct(ober)?
  | nov(ember)?
  | dec(ember)?
)
(
    \\s*
    (?<date>\\d+)
    (st|nd|rd|th)?
)?
(
    \\s*
    ,?
    \\s*
    (?<year>(19|20)\\d\\d)
)?
\\b

我删除了外部组，因为无论如何你都将它作为组0。 t?中的sep(t?|tember)?已更改为t。所有(\\s+)?都已更改为等效的\\s*。我将?从(?<date>\\d+)?移到(st|nd|rd|th)。我把这一年包裹在一个小组中，并将?从(?<year>20\\d\\d)移到了那里。我添加了单词边界（\\b），因此它不会在单词的中间开始或结束。

作为一行：

\\b(?<month>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t|tember)?|oct(ober)?|nov(ember)?|dec(ember)?)(\\s*(?<date>\\d+)(st|nd|rd|th)?)?(\\s*,?\\s*(?<year>(19|20)\\d\\d))?\\b

将它与你的第二种模式结合起来：

\\b
(
    (?<month1>
        jan(uary)?
      | feb(ruary)?
      | mar(ch)?
      | apr(il)?
      | may
      | jun(e)?
      | jul(y)?
      | aug(ust)?
      | sep(t|tember)?
      | oct(ober)?
      | nov(ember)?
      | dec(ember)?
    )
    (
        \\s*
        (?<date1>\\d+)
        (st|nd|rd|th)?
    )?
  |
    (?<date2>\\d+)
    (st|nd|rd|th)?
    \\s*
    (?<month2>
        jan(uary)?
      | feb(ruary)?
      | mar(ch)?
      | apr(il)?
      | may
      | jun(e)?
      | jul(y)?
      | aug(ust)?
      | sep(t|tember)?
      | oct(ober)?
      | nov(ember)?
      | dec(ember)?
    )
)
(
    \\s*
    ,?
    \\s*
    (?<year>(19|20)\\d\\d)
)?
\\b

作为一行：

\\b((?<month1>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t|tember)?|oct(ober)?|nov(ember)?|dec(ember)?)(\\s*(?<date1>\\d+)(st|nd|rd|th)?)?|(?<date2>\\d+)(st|nd|rd|th)?\\s*(?<month2>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t|tember)?|oct(ober)?|nov(ember)?|dec(ember)?))(\\s*,?\\s*(?<year>(19|20)\\d\\d))?\\b

Answer 2

另一个版本：

static private String month = "(?<month>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|jun(e)?|jul(y)?|aug(ust)?|sep(t|tember)?|oct(ober)?|nov(ember)?|dec(ember)?)";
static private String suffix = "(?:st|nd|rd|th)";
static private String date = "(?<date>\\d{1,2})";
static private String year = "(?<year>\\d{4})";

// A month name (optionally followed by space followed by a date (optionally
// followed by a suffix or space and a comma) (optionally followed by space
// followed by a year))
static private String order1 = String.format(
        "%s(?:\\s+%s(?:%s|\\s+,)?(?:\\s+%s)?)?", month, date, suffix,
        year);

// A date followed by a suffix followed by a month (optionally followed by
// space and a comma) optionally followed by space and a year
static private String order2 = String.format(
        "%s%s\\s+%s(?:\\s+,)?(?:\\s+%s)?", date, suffix, month, year);

是的，String.format没有太多理由，但是因为它是static，所以它不应该是残酷的性能，并且它使正则表达式比任何其他方式都更容易阅读我能用Java思考。

它匹配所有示例模式（并获得正确的输出，IIRC），包括句子中的版本。您可能遇到的唯一问题是，它会在“让我们在1月1日见面，好吗？”之后立即吃掉逗号，但如果写的是“让我们在1月1日见面，那就不会与逗号相符”，好吧？” （当我说“匹配逗号”时，我的意思是整个正则表达式将采用逗号，尽管命名的捕获将是正确的）。我确实将年份改为简单匹配四位数。我还将日期更改为仅匹配一个或两个数字。就像@MarkusJarderot一样，我将“九月”改为没有可选的“t”，因为整个后缀是可选的。我已经尝试编写两个正则表达式，以便添加和删除逻辑块 - 与下面的版本进行比较，并注意我是如何在不重写整个表达式的情况下更改它的。 需要注意的事项：在某些情况下，两个正则表达式都匹配（order1只匹配单个月，order2匹配表单“1st Jan”的日期）。在这种情况下，您可能想知道如何选择要遵循的表达式。

现在，编写这些正则表达式是为了避免匹配任何不提供格式的日期。我建议修改它们以允许以下形式（＃表示原始列表中的项目）：

2013年1月1日＃
2013年1月1日//注意逗号
2013年1月1日
2013年1月1日＃
2013年1月1日//注意逗号前没有空格
1月1日＃
1月＃
Jan //（已经原始示例支持）
1月1日
1月1日＃
2013年1月1日
2013年1月1日
2013年1月1日
2013年1月1日
2013年1月1日
2013年1月1日＃

此版本的代码支持上述表单。它也更好：已经转换为使用所有非捕获模式的月份（因此无法无缘无故地创建额外的捕获），并且我已根据@ MarkusJarderot的答案删除了整个正则表达式的捕获。扩展的日期格式数也允许使用较少扭曲的正则表达式。这些表单引入的一个小问题是，现在v1将尝试将“1 Jan 2013”形式的日期与“Jan 20”匹配，而v2正确匹配它们。这就是我上面提到的“需要注意的事情”;你可能想弄清楚如何决定使用哪个正则表达式（尝试两者并使用匹配更多日期部分的那个）。

static private String month = "(?<month>jan(?:uary)?|feb(?:ruary)?|mar(?:ch)?|apr(?:il)?|may|jun(?:e)?|jul(?:y)?|aug(?:ust)?|sep(?:t|tember)?|oct(?:ober)?|nov(?:ember)?|dec(?:ember)?)";
static private String suffix = "(?:st|nd|rd|th)";
static private String date = "(?<date>\\d{1,2})";
static private String year = "(?<year>\\d{4})";

// A month name (optionally followed by space followed by a date (optionally
// followed by a suffix)(optionally followed by a comma, possibly with space
// before it)(optionally followed by space followed
// by a year))
static private String v1 = String.format(
        "%s(?:\\s+%s%s?(?:\\s*,)?(?:\\s+%s)?)?", month, date, suffix, year);

// A date (optionally followed by a suffix) followed by space followed by a
// month (optionally followed by
// a comma, possibly with space before it) optionally followed by space and
// a year
static private String v2 = String.format(
        "%s%s?\\s+%s(?:\\s*,)?(?:\\s+%s)?", date, suffix, month, year);

或者，作为没有Java的正则表达式（format的输出）：

(?<month>jan(?:uary)?|feb(?:ruary)?|mar(?:ch)?|apr(?:il)?|may|jun(?:e)?|jul(?:y)?|aug(?:ust)?|sep(?:t|tember)?|oct(?:ober)?|nov(?:ember)?|dec(?:ember)?)(?:\s+(?<date>\d{1,2})(?:st|nd|rd|th)?(?:\s*,)?(?:\s+(?<year>\d{4}))?)?
(?<date>\d{1,2})(?:st|nd|rd|th)?\s+(?<month>jan(?:uary)?|feb(?:ruary)?|mar(?:ch)?|apr(?:il)?|may|jun(?:e)?|jul(?:y)?|aug(?:ust)?|sep(?:t|tember)?|oct(?:ober)?|nov(?:ember)?|dec(?:ember)?)(?:\s*,)?(?:\s+(?<year>\d{4}))?

如果未捕获组，则在首次捕获组后忽略空间

2 个答案: