匹配基于正则表达式模式匹配的字符串答案

【问题标题】：match a String based on regex pattern matching scala匹配基于正则表达式模式匹配的字符串
【发布时间】：2019-03-16 18:22:38
【问题描述】：

我写了以下正则表达式：

val reg = ".+([A-Z_].+).(\\d{4})_(\\d{2})_(\\d{2})_(\\d{2})\\.orc".r

应该解析以下字符串： “S3//bucket//TS11_YREDED.2018_09_28_02.orc” 解析方法是：

val dataExtraction: String => Map[String, String] = {
  string: String => {
    string match {
      case reg(filename, year, month, day) =>
                 Map(FILE_NAME-> filename, YEAR -> year, MONTH -> month, DAY -> day)
      case _  => Map(FILE_NAME-> filename,YEAR -> "", MONTH -> "", DAY -> "")
    }
  }
}
val YEAR = "YEAR"
val MONTH = "MONTH"
val DAY = "DAY"
val FILE_NAME = "FILE_NAME"

但它不能正常工作它应该省略存储桶名称并解析文件名和日期

所以预期的输出应该是： Map(FILE_NAME-> TS11_YREDED, YEAR -> , MONTH -> 09, DAY -> 28) 知道如何解决它吗？

【问题讨论】：

标签： regex scala pattern-matching

【解决方案1】：

.+ 模式部分首先匹配整个字符串，([A-Z_].+) 仅捕获后续模式需要捕获和匹配的内容。

你可以使用

"""(?:.*/)?(.*)\.(\d{4})_(\d{2})_(\d{2})_\d{2}\.orc""".r

见this regex demo

请注意，点必须转义以匹配文字点。

详情

(?:.*/)? - 除换行符之外的任何 0+ 字符，尽可能多，直到最后一个 / 并包括它
(.*) - 捕获组 1：任何 0+ 字符，除了换行符，尽可能多
\. - 一个点
(\d{4}) - 捕获组 2：四位数字
_ - 下划线
(\d{2}) - 捕获组 3：两位数
_ - 下划线
(\d{2}) - 捕获组 4：两位数
_\d{2}\.orc - _，2 位数字，. 和 orc 在字符串的末尾。

Scala demo:

val text = "S3//bucket//TS11_YREDED.2018_09_28_02.orc"
val reg = """(?:.*/)?(.*)\.(\d{4})_(\d{2})_(\d{2})_\d{2}\.orc""".r

var YEAR = "YEAR"
var MONTH = "MONTH"
var DAY = "DAY"
var FILE_NAME = "FILE_NAME"

val dataExtraction: String => Map[String, String] = {
  string: String => {
    string match {
      case reg(filename, year, month, day) =>
                 Map(FILE_NAME-> filename, YEAR -> year, MONTH -> month, DAY -> day)
      case _  => Map(FILE_NAME-> FILE_NAME,YEAR -> YEAR, MONTH -> MONTH, DAY -> DAY)
    }
  }
}

println(dataExtraction(text))
// => Map(FILE_NAME -> TS11_YREDED, YEAR -> 2018, MONTH -> 09, DAY -> 28)

由于您没有使用最后一个捕获组，因此可以将其从模式中省略。

【讨论】：

我会使用"""^([A-Z0-9_]+)\.(\d{4})_(\d{2})_(\d{2})_(\d{2})\.orc$""".r，以便它匹配整个输入（而不仅仅是其中的一部分），并考虑由大写、数字和下划线字符组成的FILE_NAME 字段。此外，如果要忽略最后一个数字，则不应在正则表达式中对其进行分组（改用"""^([A-Z0-9_]+)\.(\d{4})_(\d{2})_(\d{2})_\d{2}\.orc$""".r，并且不要在case 语句中将s 参数添加到reg。
@MikeAllen val reg = """(.*?)\.(\d{4})_(\d{2})_(\d{2})_(\d{2})\.orc""".r 匹配整个字符串，它无法匹配任何部分文本，因为它用于匹配块中。 .unanchored 会使其找到部分匹配项。
同意，但在正则表达式定义中明确表示没有害处。 :-) 顺便说一句，[A-Z_].+ 是错误的，除了您给出的原因之外：它不包括数字字符（在示例中出现），] 之后的句点确保范围内只有一个字符匹配, 后跟一个或多个其他字符 - 可以是任何字符。应删除句号。此外，OP 的原始代码有 5 个正则表达式组，但在 case 语句中只匹配其中的 4 个。
@MikeAllen 让 OP 询问他们需要澄清什么。我解释了如何使它工作。剩下的就是细节了。
@Wiktor，我更新了问题，你的正则表达式在这种情况下不起作用

【解决方案2】：

看看这个：

val file_name = "TS11_YREDED.2018_09_28_02.orc"
val reg = """(.*?)\.(\d{4})_(\d{2})_(\d{2})_(\d{2})\.orc""".r
var file_details = scala.collection.mutable.ArrayBuffer[String]()
reg.findAllIn(file_name).matchData.foreach( m => file_details.appendAll(m.subgroups))
val names=Array("FILE_NAME","YEAR","MONTH","DAY","DUMMY")
for( (x,y) <- names.zip(file_details).toMap)
  println(x + "->" + y)

//DUMMY->02
//DAY->28
//FILE_NAME->TS11_YREDED
//MONTH->09
//YEAR->2018

【讨论】：