Question

我有一个（可能是非常基本的）问题，关于如何构造（perl）正则表达式perl -pe 's///g;'，该问题将查找/替换指定字符串中给定字符/一组字符的多个实例。最初，我以为g“全局”标志可以做到这一点，但我显然误解了此处非常重要的内容。：/

例如，我要消除特定字符串（在较大的文本语料库中）中的所有非字母数字字符。仅作为示例，字符串以[开头，后跟@，中间可能有一些字符。

[abc@def"ghi"jkl'123]

以下正则表达式

s/(\[[^\[\]]*?@[^\[\]]*?)[^a-zA-Z0-9]+?([^\[\]]*?)/$1$2/g;

将找到第一个“，如果我运行了3次，则我将全部3次。同样，如果我想用其他字符替换非字母数字字符，比如说X。

s/(\[[^\[\]]*?@[^\[\]]*?)[^a-zA-Z0-9]+?([^\[\]]*?)/$1X$2/g;

在一个实例上完成技巧。但是我怎么能一口气找到他们呢？

Answer 1

您的代码无效的原因是/g在替换后不重新扫描字符串。它查找给定正则表达式的所有非重叠匹配项，然后替换其中的替换部分。

在[abc@def"ghi"jkl'123]中，只有一个匹配项（这是字符串的[abc@def"部分，带有$1 = '[abc@def'和$2 = ''），因此只有前一个{{ 1}}已删除。

在第一个匹配项之后，Perl扫描剩余的字符串（"）进行另一个匹配项，但找不到另一个ghi"jkl'123]（或[）。

我认为最直接的解决方案是使用嵌套的搜索/替换操作。外部匹配项标识要替换的字符串，内部匹配项进行实际替换。

在代码中：

或将每个匹配项替换为s{ \[ [^\[\]\@]* \@ \K ([^\[\]]*) (?= \] ) }{ $1 =~ tr/a-zA-Z0-9//cdr }xe;：

我们匹配s{ \[ [^\[\]\@]* \@ \K ([^\[\]]*) (?= \] ) }{ $1 =~ tr/a-zA-Z0-9/X/cr }xe;的前缀，后跟0个或多个不是[或[或]的字符，后跟@。 / p>

@用于标记匹配的虚拟开始（即，到目前为止匹配的所有内容都不包括在匹配的字符串中，从而简化了替换操作）。

我们匹配并捕获0个或多个不是\K或[的字符。

最后，我们预见了一个后缀]（因此它也不是匹配字符串的一部分）。

替换部分是作为一段代码而不是字符串执行的（如]标志所示）。在这里我们可以分别使用/e或$1 =~ s/[^a-zA-Z0-9]//gr，但是由于每个内部匹配项只是一个字符，因此也可以使用音译。

我们返回修改后的字符串（如$1 =~ s/[^a-zA-Z0-9]/X/gr标志所示），并将其用作外部/r操作的替换。

Answer 2

所以...我将建议一种在计算上效率低下的方法。效率极低，但可能仍然比variable-length lookbehind更快，而且（对您而言）也很容易：

\K会导致删除之前的所有内容。...因此仅实际替换其后的字符。

perl -pe 'while (s/\[[^]]*@[^]]*\K[^]a-zA-Z0-9]//){}' file

基本上，我们只有一个空循环，该循环会一直执行到搜索和替换都不会替换任何内容为止。

略有改进的版本：

perl -pe 'while (s/\[[^]]*?@[^]]*?\K[^]a-zA-Z0-9](?=[^]]*?])//){}' file

(?=)验证其内容在比赛之后存在而不是比赛的一部分。这是variable-length lookahead（我们在另一个方向上缺少的东西）。我还使*与?变得很懒，所以我们得到了尽可能短的匹配。

Answer 3

这是另一种方法。精确捕获需要工作的子字符串，并在替换部分中运行正则表达式，以清除其中的非字母数字字符

use warnings;
use strict;
use feature 'say';

my $var = q(ah [abc@def"ghi"jkl'123] oh); #'
say $var;

$var =~ s{ \[ [^\[\]]*? \@\K ([^\]]+) }{
    (my $v = $1) =~ s{[^0-9a-zA-Z]}{}g;
    $v
}ex;

say $var;

在需要单独的$v以便返回而不是匹配数目的情况下，s/运算符本身将返回。可以通过使用/r修饰符来改善此效果，该修饰符返回更改后的字符串，并且不更改原始字符串（因此，它不会尝试更改$1，这是不允许的）

$var =~ s{ \[ [^\[\]]*? \@\K ([^\]]+) }{
    $1 =~ s/[^0-9a-zA-Z]//gr;
}ex;

\K在那里，因此所有“匹配”之前的匹配都被“丢弃”了-不消耗它们，因此我们无需捕获它们即可将它们放回原处。 /e修饰符使替换零件被评估为代码。

该问题中的代码不起作用，因为所有匹配的内容都被消耗掉了，并且（在/g下）从最后一次匹配之后的位置继续搜索，试图找到整个再次在弦下进一步排列。这样会失败，只有第一次出现的情况会被替换。

我们通常希望通过\K（在当前所有答案中都使用）来解决我们要保留在字符串中的匹配项问题，从而使所有匹配项都不是已消耗。

正则表达式在字符串中查找（/替换）多个字符实例

3 个答案: