Question

我正在尝试使用正则表达式从PDF中提取一些自定义属性（我将使用grep）。

PDF自定义属性是以以下格式存储的键值：

<</key1(value1)/key2(value2)/key3(value3)>>

内部值的括号被转义：

/key4(outside \(inside\) outside)

我执行了以下正则表达式来提取键的值：

grep -Po '(?<=key4\().*?(?=\))' "sample.txt"

但是，将其应用于key4（带有括号）时，会产生：

outside \(inside\

因为它停在第一个)（已转义的那个）中，而不是未转义的那个。

如何在正则表达式中忽略转义的括号？

谢谢。

PD：我愿意接受sed或awk中的建议。

Answer 1

您可以这样做

(?<=key4\()[^\\()]*(?:\\[\S\s][^\\()]*)*(?=\))

https://regex101.com/r/B4qKdh/1

展开：

 (?<= key4\( )
 [^\\()]* 
 (?: \\ [\S\s] [^\\()]* )*
 (?= \) )

Answer 2

您可以使用类似{p>的sed解决方案

sed 's/.*key4(\([^\()]*\(\\.[^\()]*\)*\)).*/\1/'
sed -E 's/.*key4\(([^\()]*(\\.[^\()]*)*)\).*/\1/'

请参见online sed demo。

POSIX ERE模式详细信息

.*-任意0个以上的字符
key4\(-key(文字字符串
\( - a（`char
([^\()]*(\\.[^\()]*)*)-第1组：
- [^\()]*-除\，(和)以外的0个或更多字符
- (\\.[^\()]*)*-重复0次或更多次
  - \\.-一个\后跟任意1个字符
  - [^\()]*-除\，(和)以外的0个或更多字符
\)-一个)字符
.*-任意0个以上的字符

请注意，POSIX BRE模式仅交换了文字和捕获括号（转义了捕获括号（POSIX BRE中的(与文本(字符匹配，它不是捕获组的开始）。

替换部分中的\1是第1组占位符，并用该组值替换整个匹配项。

Answer 3

在任何UNIX盒子上的任何外壳中都有任何awk：

$ awk '
    { gsub(/\\[(]/,"\n1"); gsub(/\\)/,"\n2") }
    match($0,/[/]key4[(][^)]+/) {
        $0 = substr($0,RSTART+6,RLENGTH-6)
        gsub(/\n1/,"\\("); gsub(/\n2/,"\\)")
        print
    }
' file
outside \(inside\) outside

使用GNU awk将第三个参数匹配（）：

$ awk '
    { gsub(/\\[(]/,"\n1"); gsub(/\\)/,"\n2") }
    match($0,/[/]key4[(]([^)]+)/,a) {
        $0 = a[1]
        gsub(/\n1/,"\\("); gsub(/\n2/,"\\)")
        print
    }
' file
outside \(inside\) outside

以上内容仅将\(和\)替换为包含换行符的字符串（在换行符分隔的记录中不存在）\n1和\n2，然后找到key4的匹配项，然后在打印之前将替换字符串放回其原始值。

如何在正则表达式中忽略转义括号

3 个答案: