正则表达式用符号分隔或不分隔字母和数字的单词

时间:2011-04-20 14:31:10

标签: java regex

我需要构建一个与这些模式匹配的正则表达式:

字母和数字:

  

A35,35A,B503X,1ABC5

以“ - ”,“/”,“\”分隔的字母和数字:

  

AB-10,10-AB,A10-BA,BA-A10等......

我为它写了这个正则表达式:

\b[A-Za-z]+(?=[(?<!\-|\\|\/)\d]+)[(?<!\-|\\|\/)\w]+\b|\b[0-9]+(?=[(?<!\-|\\|\/)A-Za-z]+)[(?<!\-|\\|\/)\w]+\b

它部分工作,但它只匹配字母或仅用符号分隔的数字。 示例:

  10-10,开办等等

我不想这场比赛。

我想我的正则表达式非常重复且有些难看。 但这就是我现在所拥有的。

有人可以帮助我吗?

我正在使用java / groovy。

提前致谢。

5 个答案:

答案 0 :(得分:6)

有趣的挑战。这是一个带有正则表达式的java程序,它可以选择你所追求的“单词”类型:

import java.util.regex.*;
public class TEST {
    public static void main(String[] args) {
        String s = "A35, 35A, B503X, 1ABC5 " +
            "AB-10, 10-AB, A10-BA, BA-A10, etc... " +
            "10-10, open-office, etc.";
        Pattern regex = Pattern.compile(
            "# Match special word having one letter and one digit (min).\n" +
            "\\b                       # Match first word having\n" +
            "(?=[-/\\\\A-Za-z]*[0-9])  # at least one number and\n" +
            "(?=[-/\\\\0-9]*[A-Za-z])  # at least one letter.\n" +
            "[A-Za-z0-9]+              # Match first part of word.\n" +
            "(?:                       # Optional extra word parts\n" +
            "  [-/\\\\]                # separated by -, / or //\n" +
            "  [A-Za-z0-9]+            # Match extra word part.\n" +
            ")*                        # Zero or more extra word parts.\n" +
            "\\b                       # Start and end on a word boundary", 
            Pattern.COMMENTS);
        Matcher regexMatcher = regex.matcher(s);
        while (regexMatcher.find()) {
            System.out.print(regexMatcher.group() + ", ");
        } 
    }
}

这是正确的输出:

A35, 35A, B503X, 1ABC5, AB-10, 10-AB, A10-BA, BA-A10,

请注意,唯一复杂的“丑陋”的正则表达式是那些没有正确格式化和评论的正则表达式!

答案 1 :(得分:1)

请使用:

([a-zA-Z]+[-\/\\]?[0-9]+|[0-9]+[-\/\\]?[a-zA-Z]+)

在Java中\\\/应该被转义:

([a-zA-Z]+[-\\\/\\\\]?[0-9]+|[0-9]+[-\\\/\\\\]?[a-zA-Z]+)

答案 2 :(得分:1)

请原谅我用Python编写我的解决方案,我不知道用Java编写足够的Java。

pat = re.compile('(?=(?:([A-Z])|[0-9])' ## This part verifies that
                 '[^ ]*'                ## there are at least one
                 '(?(1)\d|[A-Z]))'      ## letter and one digit.
                 '('   
                 '(?:(?<=[ ,])[A-Z0-9]|\A[A-Z0-9])'  # start of second group
                 '[A-Z0-9-/\\\\]*'
                 '[A-Z0-9](?= |\Z|,)'               # end of second group
                 ')',  
                 re.IGNORECASE) # this group 2 catches the string

我的解决方案在第二组中捕获所需的字符串:((?:(?<={ ,])[A-Z0-9]|\A[A-Z0-9])[A-Z0-9-/\\\\]*[A-Z0-9](?= |\Z|,))

之前的部分验证了捕获字符串中至少存在一个字母和至少一个数字:

(?(1)\d|[A-Z])是一个有条件的正则表达式,意思是“如果组(1)抓住了某些东西,那么这里必须有一个数字,否则必须有一个字母”

小组(1)在([A-Z])

中为(?=(?:([A-Z])|[0-9])

(?:([A-Z])|[0-9])是一个非捕获组,匹配一个字母(catched)或一个数字,所以当它与一个字母匹配时,该组(1)不为空

标志re.IGNORECASE允许处理带有大写或小写字母的字符串。

在第二组中,我不得不写(?:(?<=[ ,])[A-Z0-9]|\A[A-Z0-9]),因为不允许使用非固定长度的后向断言。此部分表示一个不能' - '的字符,前面是空格或字符串的头部。

相反,(?= |\Z[,)表示'字符串结尾或逗号或空格后'

此正则表达式假设字符'-''/''\'不能是捕获字符串的第一个字符或最后一个字符。是不是?

import re

pat = re.compile('(?=(?:([A-Z])|[0-9])' ## (from here)  This part verifies that
                 '[^ ]*'                 #              there are at least one
                 '(?(1)\d|[A-Z]))'      ## (to here)    letter and one digit.
                 '((?:(?<=[ ,])[A-Z0-9]|\A[A-Z0-9])'
                 '[A-Z0-9-/\\\\]*'
                 '[A-Z0-9](?= |\Z|,))',
                 re.IGNORECASE) # this group 2 catches the string

ch = "ALPHA13 10 ZZ 10-10 U-R open-office ,10B a10 UCS5000 -TR54 code vg4- DV-3000 SEA 300-BR  gt4/ui bn\\3K"

print [ mat.group(2) for mat in pat.finditer(ch) ]

s = "A35, 35A, B503X,1ABC5 " +\
     "AB-10, 10-AB, A10-BA, BA-A10, etc... " +\
     "10-10, open-office, etc."

print [ mat.group(2) for mat in pat.finditer(s) ]

结果

['ALPHA13', '10B', 'a10', 'UCS5000', 'DV-3000', '300-BR', 'gt4/ui', 'bn\\3K']
['A35', '35A', 'B503X', '1ABC5', 'AB-10', '10-AB', 'A10-BA', 'BA-A10']

答案 3 :(得分:0)

我的第一次传球得分

(^|\s)(?!\d+[-/\\]?\d+(\s|$))(?![A-Z]+[-/\\]?[A-Z]+(\s|$))([A-Z0-9]+[-/\\]?[A-Z0-9]+)(\s|$)

很抱歉,但它不是java格式化的(你需要编辑\ \ s等)。另外,你不能使用\b b / c字边界是任何非字母数字和下划线的东西,所以我使用了\s以及字符串的开头和结尾。

这仍然有点原始

编辑

版本2,略胜一筹,但可以通过占有量量词来提高性能。它与ABC76 AB-32 3434-F等匹配,但不匹配ABC19\23等。

((?<=^)|(?<=\s))(?!\d+[-/\\]?\d+(\s|$))(?![A-Z]+[-/\\]?[A-Z]+(\s|$))([A-Z0-9]+[-/\\]?[A-Z0-9]+)((?=$)|(?=\s))

答案 4 :(得分:0)

可以省略条件(A OR NOT A)。因此可以省略忽略符号。

for (String word : "10 10-10 open-office 10B A10 UCS5000 code DV-3000 300-BR".split (" "))
    if (word.matches ("(.*[A-Za-z].*[0-9])|(.*[0-9].*[A-Za-z].*)"))
         // do something

你没有提到-x4,4x-,4-x-,-4-x或-4-x-,我希望它们都匹配。

我的表达看起来只是某些东西-α-something-digits-something,其中某些东西可能是alpha,数字或符号,反之亦然:某事-α-something-digits-something。如果可能发生其他事情,例如!#$〜()[] {}等等,它会变得更长。

使用scala进行测试:

scala> for (word <- "10 10-10 open-office 10B A10 UCS5000 code DV-3000 300-BR".split (" ")
     | if word.matches ("(.*[A-Za-z].*[0-9])|(.*[0-9].*[A-Za-z].*)")) yield word          
res89: Array[java.lang.String] = Array(10B, A10, UCS5000, DV-3000, 300-BR)

略微修改以过滤匹配:

String s = "A35, 35A, B53X, 1AC5, AB-10, 10-AB, A10-BA, BA-A10, etc. -4x, 4x- -4-x- 10-10, oe-oe, etc";
Pattern pattern  = java.util.regex.Pattern.compile ("\\b([^ ,]*[A-Za-z][^ ,]*[0-9])[^ ,]*|([^ ,]*[0-9][^ ,]*[A-Za-z][^ ,]*)\\b");
matcher = pattern.matcher (s);
while (matcher.find ()) { System.out.print (matcher.group () + "|") }

但我仍然有一个错误,我找不到:

A35|35A|B53X|1AC5|AB-10|10-AB|A10-BA|BA-A10|-4x|4x|-4-x|

4x应为4x-,-4-x应为-4-x-。