引用文本的正确 Lua 模式是什么？

Question

我已经玩了一个小时或两个小时，发现自己遇到了 Lua 模式匹配实用程序的障碍。我正在尝试匹配字符串中的所有引用文本并在需要时替换它。

目前我想出的模式是：(\?[\"\'])(.-)%1

这在某些情况下有效，但并非所有情况：

Working: "This \"is a\" string of \"text to\" test with"

Not Working: "T\\\"his \"is\' a\" string\" of\' text\" to \"test\" wit\\\"h"

在不工作的示例中，我希望它匹配（我创建了一个函数来获得我想要的匹配项，我只是在寻找与 gsub 一起使用的模式，并且好奇 lua 模式是否可以做到这一点）：

 string
 a" string" of
is' a" string" of' text
test
his "is' a" string" of' text" to "test" wit

我将暂时继续使用我的功能，但我很好奇是否有我可以/应该使用的模式，而我只是缺少模式的东西。

（一些编辑 b/c 我忘记了 stackoverflows 格式） （另一个编辑以制作非 html 示例，因为它导致我试图解析 html 的假设）

Answer 1

尝试使用正则表达式匹配转义的引用文本，就像尝试使用割草机从田地中移除雏菊（并且仅是雏菊）。

我创建了一个函数来获取我想要的匹配项

这是正确的举动。

我很好奇 lua 模式是否可以做到这一点

从实践的角度来看，即使一个模式可以做到这一点，你也不想这样做。从理论的角度来看，你试图找到一个前面的双引号通过偶数个反斜杠。这绝对是一种正则语言，你想要的正则表达式如下（Lua 引用约定）

[[[^\](\\)*"(.-[^\](\\)*)"]]

引用的字符串将是结果 #2。但是 Lua 模式不是完整的正则表达式；特别是，您不能将 * 放在带括号的模式之后。 所以我的猜测是这个问题不能使用 Lua 模式来解决，但是由于 Lua 模式在自动机理论中不是标准的东西，我不知道有任何证明技术可以用来证明它。

Answer 2

转义引号的问题在于，一般来说，如果引号前有奇数个反斜杠，那么它会被转义，如果有偶数个，则不是。我不相信 Lua 模式匹配足够强大来表示这种情况，所以如果你需要像这样解析文本，那么你应该寻求另一种方式。也许您可以遍历字符串并解析它，或者您可以依次找到每个引号并向后读取，计算反斜杠直到找到非反斜杠字符（或字符串的开头）。

如果出于某种原因您绝对必须使用模式，您可以尝试在多步骤过程中执行此操作。首先， gsub 用于连续出现两个反斜杠，并将它们替换为一些标记值。此必须是字符串中尚未出现的值。如果您知道此字符串不包含不可打印的字符，您可以尝试类似“\001”的内容。无论如何，一旦您连续替换了两个反斜杠的所有序列，剩下的任何反斜杠都会转义以下字符。现在您可以应用原始模式，最后您可以再次用两个反斜杠替换所有哨兵值实例。

Answer 3

Lua 的模式语言足以应付许多简单的情况。它至少有一个典型的正则表达式包中没有的技巧：一种匹配平衡括号的方法。但它也有其局限性。

当超出这些限制时，我会联系LPeg。 LPeg 是 Lua 的 Parsing Expression Grammer 的实现，由 Lua 的一位原始作者实现，因此对 Lua 的适应做得很好。 PEG 允许对从简单模式到完整语言语法的任何内容进行规范。 LPeg 将语法编译为字节码并极其高效地执行它。

Answer 4

你应该不尝试用正则表达式解析 HTML，HTML 和 XML 是 NOT 正则语言，不能用正则表达式成功操作。您应该使用专用的 HTML 解析器。 Here are lots of explanations why.