解析正则表达式答案

【问题标题】：Parsing a regex解析正则表达式
【发布时间】：2011-05-11 18:14:11
【问题描述】：

我在用 C# 编写正则表达式时遇到问题；它的目的是从给定的字符串中提取所有以“@”开头的单词，以便它们可以存储在某种类型的数据结构中。

如果字符串是“The quick @brown fox jumps over the lazy @dog”，我想得到一个包含两个元素的数组：brown 和 dog。它需要正确处理边缘情况。例如，如果它是 @@brown，它仍然应该产生 'brown' 而不是 '@brown'。

【问题讨论】：

word 是任何不带空格的字母数字字符串。
@Prabhu：是的，但是是niño、éléphant 或Marie-Hélène 的话？
是一个字母数字字符串，表示其中只包含\p{Alphabetic} 和/或\p{Number} 代码点？还是您想强加一些更受限制的含义？
@M42，一个词可以是：@"^([A-Za-z0-9])*"
如果是单词，则不能使用\w。您必须使用真正的 \p{Alphabetic} 属性和附加规定。

标签： c# .net asp.net regex

【解决方案1】：

类似的东西

C#：

string quick = "The quick @brown fox jumps over the lazy @dog @@dog";
MatchCollection results = Regex.Matches(quick, "@\\w+");

foreach (Match m in results)
{
    Literal1.Text += m.Value.Replace("@", "");
}

也会照顾您的边缘情况。（@@dog => 狗）

【讨论】：

C♯ 中的\w 是否满足The Unicode Standard’s requirement 和\w 必须完全匹配 [\p{Alphabetic}\p{Decimal_Number}\p{Mark}\p{Connector_Punctuation}]？如果是这样，它会比原始请求更多和更少匹配。如果不匹配，那么它的匹配肯定远低于指定的原始请求。
\w 匹配 ` [\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Nd}\p{Pc}], whilst (natch!) \W ` 匹配它的否定，\b（单词边界）匹配零宽度（^|$|\W）。
匹配项：小写、大写、大写、其他、修饰符、数字/十进制数字、标点连接符（如_）Word Character: \w - MSDN
@Nicholas：所以他们仍然没有让它符合 Unicode 规定的要求。这太糟糕了。它缺少\p{Other_Alphabetic} 字符，其中包括各种\p{GC=Mark}、\p{GC=Letter_Number} 和\p{GC=Symbol} 代码点。检查规格。
@tchrist：随便。这似乎是一个按下按钮的问题 (google.com/…)。享受吧。

【解决方案2】：

@[\w\d]+ 应该适合你。

使用http://www.regextester.com/ 测试。

这通过匹配@，后跟一个或多个单词字符来工作。 \w 代表任意“字字符”(character sets)，\d 代表任意数字，+ (repetition) 表示一个或多个。 \w 和 \d 都可以用括号括起来。

要排除@，您可以使用str.Substring(1) 忽略第一个字符，或使用正则表达式@([\w\d]+) 并提取第一组。

【讨论】：

我不相信存在 any 的 \w 定义映射到字母数字字符串。一些正则表达式库仍然过时 20 年的愚蠢和无用的旧 ASCII 定义，也没有 The Unicode Standard 所需的当前版本完全映射到 [\p{Alphabetic}\p{Number}]。
@tchrist 我发帖时他没有指定字母数字。
@tchrist 测试人员确实是这样映射的。
啊，我明白了。那是有道理的。英语通常远不如我们的正则表达式要求精确。
是否以这种方式映射它并不重要。重要的是它是否符合The Unicode Standard。看来它不是一个合格的应用程序。

【解决方案3】：

根据您对“单词”的定义（\w 更像是标识符或关键字中有效符号的 C 语言定义：[a-z0-9_]。），您可以尝试以下方法——我正在定义“单词” " 这里是一系列非空白字符：

(^|\s)(@+(?<atword>[^\s]+))(\s|$)

以上已测试here，匹配如下：

匹配字符串开头或空白字符，后跟
1 个或多个 @ 字符，后跟
1 个或多个非空白字符，在名为“atword”的组中，后跟
空白字符或字符串结尾。

为了成功匹配，命名组 atword 将包含前导 @ 符号后面的文本。

所以：

This @@ foo 不匹配。
This @foo bar 将匹配
`@@@foobarbat 有点傻会匹配
`@@@foobar@bazabat 将匹配。
silly.@rabbit, tricks are for kids 不匹配，但是
silly @rabbit, tricks are for kids 会匹配，你会得到 rabbit, 而不是 rabbit（就像我说的，你需要考虑如何定义“单词”。
等

【讨论】：