Question

除了某些单词列表外，如何使用正则表达式匹配任何单词（\ w）？例如：

我想匹配单词use和utilize以及其后的任何字词，除非这些字词是something或fish。

use this  <-- match
utilize that  <-- match
use something   <-- don't want to match this
utilize fish <-- don't want to match this

如何指定我不想匹配的单词列表？

Answer 1

您可以使用否定前瞻来确定您要匹配的单词不是特定的东西。您可以使用以下正则表达式执行此操作：

(use|utilize)\s(?!fish|something)(\w+)

这将匹配“use”或“utilization”后跟一个空格，然后如果下面的单词不是“fish”或“something”，它将匹配下一个单词。

Answer 2

这应该这样做：

/(?:use|utilize)\s+(?!something|fish)\w+/

Answer 3

不要对正则表达式进行硬编码

不是试图将所有搜索和排除术语放入单个硬编码的正则表达式中，而是使用短路评估来选择字符串，这通常更易于维护（当然更具可读性）匹配所需的术语，然后拒绝包含不良术语的字符串。

然后，您可以将此测试封装到一个函数中，该函数根据数组的运行时值返回一个布尔值。例如：

'use strict';

// Join arrays of terms with the alternation operator.
var searchTerms   = new RegExp(['use', 'utilize'].join('|'));
var excludedTerms = new RegExp(['fish', 'something'].join('|'));

// Return true if a string contains only valid search terms without any
// excluded terms.
var isValidStr = function (str) {
    return (searchTerms.test(str) && !excludedTerms.test(str));
};

isValidStr('use fish');       // false
isValidStr('utilize hammer'); // true

Answer 4

有些人在遇到问题时会想“我知道，我会用   正则表达式。“

现在他们有两个问题。

正则表达式适合匹配常规符号序列，而不是单词。任何词法分析器+解析器都会更合适。例如，在Antlr中，此任务的语法看起来非常简单。如果你无法承受词法分析器/解析器背后的学习曲线（它们对于你的给定任务来说非常容易），那么将你的文本分成带有正则表达式的单词，然后简单搜索前瞻1就足够了。

带有单词的正则表达式非常复杂。它们难以阅读且难以保留。

更新：感谢所有的downvotes。这是我的意思的一个例子。

import re

def Tokenize( text ):
    return re.findall( "\w+", text )

def ParseWhiteListedWordThenBlackListedWord( tokens, whiteList, blackList ):
    for i in range( 0, len( tokens ) - 1 ):
        if tokens[i] in whiteList and tokens[i + 1] not in blackList:
            yield ( tokens[i], tokens[i + 1] )

以下是一些性能测试：

>>> timeit.timeit( 'oldtime()', 'from __main__ import oldtime', number=1 )
0.02636446265387349

>>> timeit.timeit( 'oldtime()', 'from __main__ import oldtime', number=1000 )
28.80968123656703

>>> timeit.timeit( 'newtime()', 'from __main__ import newtime', number=100 )
44.24506212427741

>>> timeit.timeit( 'newtime11()', 'from __main__ import newtime11', number=1 ) +
timeit.timeit( 'newtime13()', 'from __main__ import newtime13', number=1000 )
103.07938725936083

>>> timeit.timeit( 'newtime11()', 'from __main__ import newtime11', number=1 ) + 
timeit.timeit( 'newtime12()', 'from __main__ import newtime12', number=1000 )
0.3191265909927097

一些说明：测试超过了Jane Austin的Pride anf Prejudice的英文文本，第一个词是'Mr'和'my'，第二个词是'Bennet'和'亲爱的'。

oldtime（）是正则表达式。 newtime（）是Tokenizer + Parser，请注意它运行了100次，而不是1000次，因此，它的可比时间为~442。

接下来的两个测试是模拟在同一文本上重复运行Parser，同时重用Tokenizer结果。

newtime11（）仅限Tokenizer。 newtime13（）是Parser，结果转换为list（模拟结果的遍历）。 newtime12（）只是Parser。

好吧，正则表达式在单次传递的情况下相当快，即使在生成器的情况下（在Tokenizer + Parser的情况下，大部分时间用于标记文本）。但是当你可以重复使用标记化文本并懒惰地评估解析器结果时，生成器表达式非常快。

可以进行相当多的性能优化，但它会使解决方案复杂化，可能会使正则表达式成为最佳实现。

tokenizer + parser方法既有优点也有缺点： - 解决方案的结构更复杂（更多元素）但每个元素更简单 - 元素易于测试，包括自动测试 - 它很慢，但重复使用相同的文本并懒洋洋地评估结果会变得更好 - 由于发电机和惰性评估，可以避免一些工作 - 改变白名单和/或黑名单是微不足道的 - 拥有几个白名单，几个黑名单和/或它们的组合是微不足道的 - 添加重新使用标记生成器结果的新解析器是微不足道的

现在到了那个棘手的你不需要它的问题。你不会需要原始问题的解决方案，除非它是更大任务的一部分。而那个更大的任务应该决定最好的方法。

更新：对http://commandcenter.blogspot.ru/2011/08/regular-expressions-in-lexing-and.html的lexing和解析中的regualr表达进行了很好的讨论。我将用引用来概括它

鼓励正则表达式作为所有文本处理的灵丹妙药问题不仅是懒惰和糟糕的工程，它还强化了不应该使用它们的人使用它们。

在JavaScript中，除非单词列在被排除的单词列表中，否则如何使用正则表达式进行匹配？

4 个答案:

不要对正则表达式进行硬编码