正则表达式匹配一个带有数字的单词

Question

我使用Text::Ngrams 来确定字符串中的单词组合。但是，我需要保留其中包含数字的单词。我已经确定 $o->{tokenrex} 是我需要修改的，但我无法确定它的正确正则表达式。

原件是qr/([a-zA-Z]+|(\d+(\.\d+)?|\d*\.\d+)([eE][-+]?\d+)?)/;，但我想我需要更多类似的东西：

 qr/([a-zA-Z]+|(?<=\w)(\d+(\.\d+)?|\d*\.\d+)([eE][-+]?\d+)?(?=\w)|(\d+(\.\d+)?|\d*\.\d+)([eE][-+]?\d+)?)/;

如果我正确阅读正则表达式，应该匹配任意数量的字母字符，或前后有单词字符的“数字”，或“数字”。除了它将我的“单词”分成单独的标记之外。我正在使用的示例词是“A1X”。

任何帮助都会很棒。

Answer 1

你们都把这种方法弄得太复杂了。原始正则表达式匹配仅由字母或数字（整数、浮点数，包括指数符号）组成的单词。

如果你需要匹配由字母和数字组成的单词，那么正则表达式就是[a-zA-Z\d]+。根据模块文档，您还需要指定要跳过的内容，并且与 [^a-zA-Z\d]+ 匹配。

$self->{tokenrex} = qr/([a-z\d]+)/i;
$self->{skiprex}  = qr/([^a-z\d]+)/i;

如果您需要识别模块文档在其示例中显示的数字，请告诉我，我很乐意为您重新添加。根据您的描述，这听起来不像您需要的。

Answer 2

(?<=...) 和(?=...) 结构是后视和前瞻表达式，它们匹配的文本不包含在整个正则表达式匹配的文本中。

作为一个更简单的例子，对于$_ = "A1X"，正则表达式

qr/(?<=A)1(?=X)/

匹配字符串$_，但表达式匹配的文本（比如$&）只是1，而不是A1X。

您可以在原始表达式中添加另一个子句：

qr/([a-zA-Z]+|[a-zA-Z][a-zA-Z0-9]+[a-zA-Z]|(\d+(\. \d+)?|\d*\.\d+)([eE][-+]?\d+)?)/

（不过，这将匹配 A1B2C3D ——尚不清楚您是否希望它这样做）

Answer 3

所以看起来您有几件事要解决。如果我理解您的意思，将单词分成不同标记的问题很容易：只需使用非捕获组。如果您不想围绕foo 创建新的捕获组，请使用(?:foo)；如果你这样做，请使用(foo)。

无论如何，你想要的模式对我来说是这样的：

p{L}*(?:\d*\.)?\d+(?:[eE][-+]?\d+)?(?:(?<=p{L}(?:\d*\.)?\d+(?:[eE][-+]?\d+)?)p{L}+)?

解释：

p{L}*                 #Zero or more letter characters (note that this is broader than [a-zA-Z], as it allows accent marks and so forth)
(?:\d*\.)?\d+         #Slightly simplified version of your number-matching pattern
(?:(?<=p{L}...)p{L}+)? #Optionally match trailing letters, but only if there are letters at the beginning

希望我能理解您在寻找什么。一个问题是[eE]；这将引入一些歧义。例如，如果你得到一个像 A3E4D 这样的字符串，那么 E 是一个字母，还是一个指数？我对此有一些想法，但它会更长，更复杂。让我知道规则是什么，我会进行编辑，我只是​​不想让这更加混乱，直到我确定你在寻找什么。

Answer 4

试试这个：

qr/(\b[a-zA-Z]([a-zA-Z\d]+[a-zA-Z])?\b|(\d+(\.\d+)?|\d*\.\d+)([eE][-+]?\d+)?)/

但是请注意，这个正则表达式（和原来的）将匹配单词“边缘”上的数字。