如何正确拆分非转义分隔符？

Question

我有以下示例字符串：

A|B\|C\\|D\\\|E\\\\F

与 |是分隔符，\ 是转义字符。 正确的拆分应如下所示：

A
B\|C\\
D\\\|E\\\\
F

如果分隔符或转义符由多个字符组成，我还需要这个逻辑普遍适用。

我已经有一个在正确位置拆分的正则表达式，但它没有产生所需的输出：

正则表达式：

(?<!\Q\\E)(?:(\Q\\\E)*)\Q|\E

输出：

A
B\|C
D\\\|E
F

我通常在这里测试：https://regex101.com/，但我在 java 中工作，所以我有更多的能力。

还尝试了以下没有正面结果的方法（在网页上不起作用，但在 java 中只是不会产生所需的结果）：

(?=(\Q\\\E){0,5})(?<!\Q\\E)\Q|\E

Answer 1

提取方法

您可以使用匹配方法，因为它是最稳定的并且允许任意数量的转义 \ 字符。你可以使用

(?s)(?:\\.|[^\\|])+

请参阅regex demo。 详情：

• (?s) - Pattern.DOTALL 嵌入标志选项
• (?:\\.|[^\\|])+ - 一次或多次重复\，然后是任何一个字符，或除\ 和| 之外的任何字符。

见Java demo：

String s = "A|B\\|C\\\\|D\\\\\\|E\\\\\\\\|F";
Pattern pattern = Pattern.compile("(?:\\\\.|[^\\\\|])+", Pattern.DOTALL);
Matcher matcher = pattern.matcher(s);
List<String> results = new ArrayList<>();
while (matcher.find()){
    results.add(matcher.group());
} 
System.out.println(results); 
// => [A, B\|C\\, D\\\|E\\\\, F]

拆分方法（split 的解决方法）

您可以（ab）在 Java 正则表达式中使用 constrained-width 后向模式支持，并使用限制量词，如 {0,1000} 而不是 * 量词。一种变通方法看起来像

String s = "A|B\\|C\\\\|D\\\\\\|E\\\\\\\\|F";
String[] results = s.split("(?<=(?<!\\\\)(?:\\\\{2}){0,1000})\\|"); System.out.println(Arrays.toString(results));

见this Java demo。

注意(?:\\{2}){0,1000} 部分最多只能允许 1000 个转义反斜杠，我相信这在大多数情况下就足够了，但您可能想先对此进行测试。我仍然推荐第一个解决方案。

详情：

• (?<= - 积极回顾的开始：
  • (?<!\\) - 前面没有紧跟 \ 的位置
  • (?:\\{2}){0,1000} - 双反斜杠出现零到一千次
• ) - 积极的后视结束
• \| - | 字符。