Question

我最近为我的点燃课程输入了一篇文章，我的老师特别声明了一个不包含该文章引文的字数限制。我想，为什么不制作一个为你计算的脚本呢？当然，我可以通过浏览整个文本并忽略引号内的单词来做这个无聊的方式，但我感觉有一种更简洁的方式使用正则表达式和Array.count。正如我对Regex几乎一无所知，有人可以帮我/告诉我这是不可能的正则表达式吗？

Tl; dr：使用正则表达式来匹配文本中引号外的所有单词（或空格，无关紧要），并计算结果数组中的项目。

Answer 1

根据要求，可以使用The Greatest Regex Trick Ever

"[^"]*"|(\w+)

计算第一个capture group的匹配项。

\w+匹配一个或多个单词字符。

请参阅test at regex101.com

同时跳过单引号字符串：

"[^"]*"|'[^']*'|(\w+)

test at regex101

Answer 2

一般的解决方案非常困难，因为有些作品会有多段引号，第一段不会关闭引号，但第二段会打开引号。因此，在整个文档范围内匹配引号会很难。

另一方面，您可以逐段进行，并为每个段落累积一个非引用字数。当然，仍然存在可以打破这种情况的病例（如包含标点符号列表的段落，包括引号）。

在Perl中，假设getWordCount子存在于某处，并假设您以某种方式将文档拆分为一个名为@paragraphs的段落数组，这可能看起来像：

my $wordCount = 0;
foreach my $paragraph (@paragraphs) {
    $paragraph =~ s/\".*?\"/g; # remove all quotation marks which have a matching quotation mark
    $paragraph =~ s/\".*$/g; # remove quotation marks which go to the end of the paragraph
    $wordCount += getWordCount($paragraph);
}
print "There are $wordCount words outside of quotations, maybe!";

Answer 3

使用PCRE（或Perl）当然很容易：

".*?"(*SKIP)(?!)|(?<!\w)'.*?'(?!\w)(*SKIP)(?!)|[\w']+

如果您想处理多行报价，请使用g修饰符和s。

Demo

以下是x版本的可读性：

  ".*?"              (*SKIP)(?!)
| (?<!\w)'.*?'(?!\w) (*SKIP)(?!)
| [\w]+

第一部分将匹配"或'引号内的所有内容，并将丢弃它（(*SKIP)(?!)）。第二部分将匹配所有单词（我已将'作为此示例中单词的一部分）。 '字符仅在单词的开头/结尾被计为引号边界，以便您使用 isn＆＃39; t 之类的内容。

可能的修改：

要将文字不是计为两个字，请将[\w']+替换为\w+。
要将婆婆等文字计为一个单词而不是3个，请将[\w']+替换为[-\w']+。

你明白了;）

这是一个使用此正则表达式的完整Perl脚本：

#!/usr/bin/env perl
use strict;
use warnings;

$_ = do { local $/; <> };
print scalar (() = /".*?"(*SKIP)(?!)|(?<!\w)'.*?'(?!\w)(*SKIP)(?!)|[\w']+/gs), "\n";

执行传递包含要计算单词的文本的文件或STDIN，它将在STDOUT上输出单词count。

Answer 4

这样做会更好：

总字符数 - 总和（引号内的字符）

您可以使用此正则表达式查找所有＆＃34;引用＆＃34;字符串：\＆＃34; [^＆＃34;] * \＆＃34;

正则表达式可以匹配引号外的所有单词吗？

4 个答案: