正则表达式仅匹配具有环视功能的特定列答案

【问题标题】：RegEx to match only a specific column with lookaround正则表达式仅匹配具有环视功能的特定列
【发布时间】：2021-12-04 00:53:47
【问题描述】：

我有一个 .CSV，我正在一个大文件编辑器 (BssEditor) 中处理它：

DOC;NAME;A_TYPE;ADDRESS;NUMBER;COMPLEMENT;NEIGHBORHOOD;CITY;STATE;ZIPCODE
7971530;Obi Wan Kenobi;R;OF THE PITANGUEIRAS;0000731;;MATATU;DUBAI;BA;40255436
7971541;Anakim Skywalker;AV;VISCONDE OF JEQUITINHONHA;0000243;AP 601;GOOD VOYAGE;RECIFE;PE;51021190
7971974;Jabba the Hutt;;DOS ILHEUS;0000118;APT 600;CENTER;FLOWERPOLIS;SC;88010560
7972512;Mando;;JUNDIACANGA;0000037;HOUSE;IPAVA CITY;SAINT PAUL;SP;04950150

列分隔符是 ;，我想匹配 NUMBER 列开头的所有零以替换为空。
例如：0000731→731

使用^((.*?;){4})0+ 匹配所有内容并替换为$1 很容易，但使用环视则不然...
我试过这样的正则表达式

/^(?<=.*?;){4}0+/
/(?<=^.*?;.*?;.*?;.*?;)0+/

但看起来贪心通配符只适用于前瞻，而不是后瞻。

有办法吗？
并且有办法，在处理数百万条目时是否存在性能问题？

【问题讨论】：

您使用什么语言？有些支持可变长度的lookbehinds，有些则不支持。某些语言不支持任何外观。此外，尚不清楚此处是否适合使用正则表达式。您可能希望使用 CSV 方法来提取字段值。某些语言可以在 CSV 方法中执行您想要的操作。您还可以将 '0000731' 转换为整数 (731)，然后将整数转换回字符串 ('731')。
正如我所说的 .csv，我认为应该理解我正在使用一个大文件编辑器... BssEditor 使用带有 MS 正则表达式处理风格的解释。但我在 Notepad++ 上测试它
第五行有 5 个零，您希望它保持原样吗？或者让它改成037

标签： regex regex-lookarounds

【解决方案1】：

只有少数正则表达式引擎（.NET、Python PyPi 模块、较新的 Javascript，如 V8）支持后视中的无限量词，但在使用 boost 的 notepad++ 中不支持。

如果您使用的是 notepad++，则不需要环视或捕获组。您可以重复分号分隔的部分，直到到达数字列并使用\K 清除当前匹配缓冲区。

在替换中使用空字符串。

^(?:[^;\n]*;){4}\K0+

^ 字符串开头
(?:[^;\n]*;){4} 重复 4 次匹配除 ; 之外的任何字符或换行符，然后匹配；
\K 忘记到目前为止匹配的内容
0+ 匹配一次或多次零

Regex demo

捕获组解决方案似乎是一个不错的解决方案，您可以使用单个捕获组编写它并使用否定字符类而不是 .*? 来防止一些回溯。

^((?:[^;\n]*;){4})0+

在替换使用组 1 中，通常表示为 $ 或 \1

Regex demo

【讨论】：

不错。在使用 Regex 的多年中，我不知道 \k。
你为什么要否定[^;\n]？它也适用于^(?:.*?;){4}\K0+。这样看起来更清晰。
@Zano 可以，但是.*? 引入了回溯以尽可能少地匹配任何字符。否定字符类匹配除不允许匹配的字符之外的任何字符。例如，您可以在此处查看非贪婪模式 regex101.com/r/lyJ1RK/1 的步数

【解决方案2】：

我不知道 BssEditor，但以下在 Notepad++ 中有效

(?<=;)0+(?=\d+;(?:[^;]*;){4}[^;]*?$)

只有在该行的字符串前面正好有五个分号时才使用正向先行匹配。

在处理数百万个条目时是否存在性能问题？

可能。

【讨论】：

谢谢，它也很好用。如果只有 00000
$有什么用？您的代码在 BssEditor 中有效，但没有锚。因为它不擅长处理 EOL。
我看到你在行尾锚定。我可以在 BssEditor 中用 \n 替换它。但是你为什么不一开始就主播呢？
@Zano $（或\n）是必需的，否则前面列中的数字可能会匹配，因为行前仍然有 5 个分号。例如，如果没有锚，如果行中前面有 7 个分号，正则表达式将错误地匹配。不需要一开始就锚定。
您好，我想在您的表达式中添加空格，以便删除 [; \d]。所以我做了一系列用零和空格填充的列来测试。我用表达式 (?<=;)[ 0]+(?=(\d+;|;)(?:[^;]*;){5,6}[^;]*?$) 得到了它。但有趣的是，在 Notepad++ 中，其他几列在搜索时会闪烁绿色。它不会选择错误的列，但我担心它会降低性能。你怎么看？