Question

我希望使用.NET正则表达式找到不在双引号内的每个单词。这是一些示例文本：

Hello world I want to get all of these words as a match "but not these ones...
because they're inside a string. And maybe I'll \"escape\" the quotes too." Also,
these words should match. Now we're outside of the string. And I can't escape
quotes; \"this still shouldn't be matched."

所以我想要匹配：

Hello, world, I, want, to, get, all, of, these, words, as, a, match, Also,
these, words, should, match, Now, we, re, outside, of, the, string, And, I,
can, t, escape, quotes

这是否可以使用.NET regex外部堆栈和断言？我已经走到了这一步：

(?<=(?(rstack)|(?!))(?<-rstack>").*?(?<rstack>").*?)\w+... same thing for fstack

'当然，它不起作用。

Answer 1

我认为，不是匹配引号外的单词，而是匹配引号内的单词，并用''替换它们。

在某种程度上，我建议您查看this question和@ RicardoNolde的回答：

(?>(?(STR)(?(ESC).(?<-ESC>)|\\(?<ESC>))|(?!))|(?(STR)"(?<-STR>)|"(?<STR>))|(?(STR).|(?!)))+

（请参阅他的问题，以获得比我能做的更好的解释，因为我不熟悉.NET引擎）。

这匹配引号内的所有单词。如果你删除它们（即替换为''），然后将结果字符串与@"\b(\w+)\b"匹配，那么你就是对的。

然而除非您的字符串中包含，否则您将遇到问题

所有引用对都是格式良好的（即整个文本中的偶数引号）

所有报价对匹配（即没有\"与对应的"相似）

对任何嵌套引号进行转义（"This is a quote that contains another "quote", tricky!"可以在引号内包含"This is a quote that contains another "和", tricky!"。

（之前的正则表达式似乎适用于\"this still shouldn't be matched"的示例，但如果将其更改为"this still shouldn't be matched\" but this should. "hi"，则会遇到问题，因为内部\"被视为逃脱报价而不是平衡货币对的一部分。）

话虽如此，如果你的文字符合我上面提到的那三条规则，你可以用普通的正则表达式做你想做的事情（尽管我觉得既然你使用的是.NET，你也可以这么做利用其堆栈功能）：

(?<!")\b[a-zA-Z]+\b(?=(?>((\\"|[^"])*)"(?>(\\"|[^"])*)")*(\\"|[^"])*$)

这意味着“匹配任何单词后跟偶数个未转义的引号。” 逻辑是，由于引号已配对，如果您不在一组引号内，则会有偶数（未转义）引号。

在行动here中查看它（(?>...)是为了避免正则表达式引擎执行不必要的反向跟踪，以便提高性能。（注意：我将您不匹配的引号\"this still shouldn't be matched"更改为"this still shouldn't be matched"，以便输入符合上述三条规则。）

另请注意，您不能说“匹配任何单词后跟偶数引号”（包括转义的引号），因为您将遇到嵌套引号匹配内的单词问题。例如，Hello world "this is a quote \"containing another quote\" end quote" goodbye将错误地使内部another quote与正则表达式匹配，因为字符串中仍有偶数引号。

总结

你真的需要所有引用对都是格式正确/匹配的和嵌套引号要转义才能使任何类型的正则表达式工作，.NET引擎或不

我建议使用@ RicardoNolde在其他问题（上面链接的）中的答案来删除所有引用的文字，然后匹配所有剩余的单词。

Answer 2

此表达式使用平衡组返回所需的单词。匹配表达式后，引号内的单词可以作为m.Groups["word"].Captures.OfType<Capture>.Select(c=>c.Value)访问。通过在模式中包含可选的断言，如果引号不平衡，匹配可能会失败;如果从表达式中删除，则忽略无关的引号。

以下是包含模式并打印所需输出的驱动程序。

string input = @"Hello world I want to get all of these words as a match ""but not these ones...  because they're inside a string. And maybe I'll \""escape\"" the quotes too."" Also,  these words should match. Now we're outside of the string. And I can't escape  quotes; \""this still shouldn't be matched.""";
string pattern = @"(?>
                     ^(?:
                       #capture word only if not inside a quotation
                       (?(quote)\w+|(?<word>\w+))
                         (?:
                           ([^\w""]*|$)
                             (?(quote)
                                  #if within a quote, close unless escaped
                                  (?:(?<=\\)\""|(?<-quote>(?<!\\)\""))
                                  |
                                  #if not within a quote, open quote
                                  (?<quote>\"")
                             )?
                         )*
                       )*
                     )$
                     (?(quote)(?!)) # will fail to match if extra quotes
                                    # if line removed, will ignore extra quote";

RegexOptions options = RegexOptions.IgnorePatternWhitespace;

Match m = Regex.Match(input, pattern, options);
if (!m.Success) Console.WriteLine("Failed");
else
    foreach (
      var word in m.Groups["word"]
                   .Captures
                   .OfType<Capture>()
                   .Select(a => a.Value))
           Console.WriteLine(word);

使用.NET正则表达式查找不在字符串内的内容

2 个答案:

总结