Question

以这两个文本为例

my $line = "[cytokine]<ADJVNT-PROP-0> signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]<EXP-PP-V-0>";
my $line2 = "[Human [papillomavirus]<VACC-PROP-0>]<VACC-PROP-0> genotype [31]<NUM> does not [express]<EXP-V-0> detectable [microRNA]<MIR-0> levels [during]<PREP> latent or productive virus replication.";

我要做的是提取所有受<VAC或<ADJ和<EXP限制的字符串在有多个匹配的左侧从最里面提取字符串直到最右边，直到最远。

例如上面的结果我想要一个返回这些的正则表达式：

Output1: signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]
Output2: genotype [31]<NUM> does not [express]

为什么此代码不起作用：

my @lines = ("[cytokine]<ADJVNT-PROP-0> signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]<EXP-PP-V-0>",
"[Human [papillomavirus]<VACC-PROP-0>]<VACC-PROP-0> genotype [31]<NUM> does not [express]<EXP-V-0> detectable [microRNA]<MIR-0> levels [during]<PREP> latent or productive virus replication.");


my $count = 0;
foreach $line (@lines) {
    $count++;
    my ($sel) = $line =~ /<VAC|<ADJ.*>(.*)<EXP.*>/;
    print "Output $count: $sel\n";

}

可执行文件：https://eval.in/50772

这样做的正确方法是什么？

Answer 1

首先你的OR运算符的范围是错误的：

/<VAC|<ADJ.*>(.*)<EXP.*>/

这将匹配<VAC或<ADJ.*>(.*)<EXP.*>。将所需部分包裹在非捕获组周围：

/<(?:VAC|ADJ).*>(.*)<EXP.*>/

然后，我觉得在这里使用一些否定的课更安全，而且我的意思是[^>]+而不是.*：

/<(?:VAC|ADJ)[^>]+>(.*)<EXP[^>]+>/

最后，您似乎不希望捕获中有<VAC或<ADJ。所以我在(.*)部分添加了一个负向前瞻（并使(.*)懒惰）：

/<(?:VAC|ADJ)[^>]+>((?:(?!<VAC|ADJ).)*?)<EXP[^>]+>/

eval.in updated

如果您希望获得<EXP部分（您的第一个示例），请扩展捕获组：

/<(?:VAC|ADJ)[^>]+>((?:(?!<VAC|ADJ).)*?<EXP[^>]+>)/

eval.in for this part

Answer 2

几个问题：

|表示“或”，但您没有使用任何类型的括号，因此它是<VAC或其他。您实际上想要<VAC或ADJ，然后是其他人。
.*贪婪。它尽可能匹配。如果您希望匹配较少，请使用.*?。
正则表达式尝试尽快匹配。如果您希望以后匹配，请添加一个贪婪的.*。

这应该有效：

/.*<(?:VAC|ADJ).*?>(.*)<EXP.*>/

使用Perl正则表达式提取具有内部和最外边界的文本

2 个答案: