Question

我需要从R中的SQL语句字符串中删除以--开头的注释。我正在尝试使用正则表达式和gsub（尽管我对其他建议持开放态度）。复杂的是，字符串可以包含以--->>>开头并以<<<---结尾的特殊标记，我需要将其保留以供进一步处理。

使用lookaheads和lookbehinds，我从那行开头的那些评论/标签取得了一些进展：

> re <- "^(?!=<<<-){1}--(?!->>>){1}.*$"
>
> gsub(re, "", "-- test", perl=TRUE)      # should be ""
[1] ""
> gsub(re, "", "--->>> test", perl=TRUE)   # should be "--->>> test"
[1] "--->>> test"
> gsub(re, "", "<<<--- test", perl=TRUE)   # should be "<<<--- test"
[1] "<<<--- test"
> gsub(re, "", "--->>>->>> test", perl=TRUE) # should be --->>>->>> test
[1] "--->>>->>> test"
> gsub(re, "", "---->>> test", perl=TRUE)    # should be ""
[1] ""
> gsub(re, "", "test --->>> test", perl=TRUE) # should be "test --->>> test"
[1] "test --->>> test"
> gsub(re, "", "test --->>> test <<<---", perl=TRUE) # should be "test --->>> test <<<---"
[1] "test --->>> test <<<---"

但是，这显然不适用于字符串中其他地方的注释：

> gsub(re, "", "test1 -- test", perl=TRUE) # should be "test1"
[1] "test1 -- test"  # WRONG

删除正则表达式开头的^会破坏大多数测试用例：

> re <- "(?!=<<<-){1}--(?!->>>){1}.*$"
> gsub(re, "", "-- test", perl=TRUE)      # should be ""
[1] ""
> gsub(re, "", "test1 -- test", perl=TRUE) # should be "test1"
[1] "test1 "
> gsub(re, "", "--->>> test", perl=TRUE)   # should be "--->>> test"
[1] "-"  # WRONG
> gsub(re, "", "<<<--- test", perl=TRUE)   # should be "<<<--- test"
[1] "<<<"  # WRONG
> gsub(re, "", "--->>>->>> test", perl=TRUE) # should be --->>>->>> test
[1] "-"  # WRONG
> gsub(re, "", "---->>> test", perl=TRUE)    # should be ""
[1] ""
> gsub(re, "", "test --->>> test", perl=TRUE) # should be "test --->>> test"
[1] "test -"  # WRONG
> gsub(re, "", "test --->>> test <<<---", perl=TRUE) # should be "test --->>> test <<<---"
[1] "test -"  # WRONG

任何人都有建议我怎么做？我对任何建议持开放态度，但我受限于R并且必须保留特殊标记--->>>和<<<---。

修改

正如评论中所提到的，这也是一个测试案例：

> gsub(re, "", "-->>> test", perl=TRUE)    # should be ""

Answer 1

我发布了我在评论中分享的表达，因为它结果很有帮助。它背后的想法是我们可以匹配特定的子串，然后从匹配中丢弃它们，并且仅使用(*SKIP)(*FAIL)动词之后的模式部分匹配并保留我们想要删除的内容。

使用

(?:(?<!-)--->>>|<<<---(?!-))(*SKIP)(*FAIL)|--.*

我们匹配以下内容：

(?:(?<!-)--->>>|<<<---(?!-))(*SKIP)(*FAIL) - 两个序列中的任何一个：
- (?<!-)--->>> - --->>>之前没有-
- | - 或
- <<<---(?!-) - <<<---未跟随-
- (*SKIP)(*FAIL) - 放弃到目前为止匹配的内容并继续下一场比赛
| - 或
--.* - 2个连字符后跟0 +字符而不是换行符

请参阅regex demo at regex101.com。

注意专用解析器可以更加安全。

Answer 2

这应该做的工作：

(?:(?<=[^-<]|^)--(?=[^->])|-{4,}).*|(?<!-)-->>>.*

regex101上的演示

在R中删除带有正则表达式的SQL注释，同时保留特殊标记

2 个答案: