使用 .NET 正则表达式查找不在字符串中的内容答案

【问题标题】：Finding things not within strings using .NET regular expressions使用 .NET 正则表达式查找不在字符串中的内容
【发布时间】：2012-02-16 12:01:20
【问题描述】：

我希望使用 .NET 正则表达式查找不在双引号内的每个单词。以下是一些示例文本：

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

这可能使用 .NET 正则表达式外部堆栈和断言吗？我已经走到这一步了：

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

'当然，它不起作用。

【问题讨论】：

如果没有平衡分组结构，似乎有一个简单的解决方案来获得所需的输出（删除\".*?(?:$|(?<!\\)\") 的匹配项，然后在结果字符串中找到\w+ 的匹配项）。由于输入中没有平衡（任何地方的引号看起来都是合法的，没有嵌套，并且打开/关闭分隔符相同），在什么情况下断言会失败？
@drf：我希望永远不会（如果它们不平衡，请忽略它们）但几乎任何事情都可以。

标签： .net regex

【解决方案1】：

我认为与其匹配引号外的单词，不如匹配引号内的单词并将它们替换为''。

就此而言，我建议您看看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。如果您删除它们（即替换为 ''），然后将生成的字符串与 @"\b(\w+)\b" 匹配，您将是对的。

但是您的字符串中会有问题除非：

所有引号对格式正确（即整个文本中有偶数个引号）
所有引号对都匹配（即没有 \" 对应的 " 就像在你的例子中）
任何嵌套的引号都会被转义（"This is a quote that contains another "quote", tricky!" 可以说在引号内包含"This is a quote that contains another " 和", tricky!"）。

（前面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 \" 被视为转义引号而不是一部分一对平衡）。

话虽如此，如果你的文本满足我上面提到的这三个规则，你可以用普通的正则表达式做你想做的事（虽然我觉得既然你使用的是.NET，你也可以利用其堆栈功能）：

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

这意味着“匹配任何后跟偶数个未转义引号的单词。” 逻辑是，由于引号是成对的，如果您不在一组引号内，则剩余的（未转义的）引号是偶数。

查看它的实际操作here（(?>...) 是为了避免正则表达式引擎进行不必要的回溯，以便性能更好）。（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个规则。

另请注意，您不能说“匹配任何单词后跟偶数个引号”（包括转义的引号），因为这样您就会遇到嵌套引号内的单词匹配问题。例如Hello world "this is a quote \"containing another quote\" end quote" goodbye 将错误地使内部another quote 匹配正则表达式，因为字符串中剩余的引号数量为偶数。

总结

您真的需要所有引号对格式正确/匹配并且嵌套引号被转义，以便任何类型的正则表达式工作，.NET 引擎或不是。

我建议使用@RicardoNolde 对另一个问题（上面链接）的回答来删除所有引用的文本，然后匹配所有剩余的单词。

【讨论】：

我不希望使用替换方法，我可以使字符串符合这些规则并进行一些后处理，所以我会使用它。谢谢！

【解决方案2】：

此表达式使用平衡组来返回所需的单词。匹配表达式后，引号内的单词可以访问为m.Groups["word"].Captures.OfType<Capture>.Select(c=>c.Value)。通过在模式中包含一个可选的断言，如果引号不平衡，匹配可能会失败；如果从表达式中删除，多余的引号将被忽略。

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);

【讨论】：