如何在 qregexp 中排除一组单词但包含另一组单词？

Question

我正在尝试排除一组单词，但在 qregexp 表达式中包含另一组单词，但我目前无法解决这个问题。

这是我尝试过的一些事情（这个例子包括了所有的单词）：

(words|I|want|to|include)(?!the|ones|that|should|not|match)

所以我尝试了这个（没有返回任何结果）：

^(words|I|want|to|include)(?:(?!the|ones|that|should|not|match).)*$

我错过了什么吗？

编辑：我需要这样一个不寻常的正则表达式（包括/排除）的原因是因为我想搜索一系列文章并过滤其中包含包含单词的文章，但如果它们也包含排除单词则不过滤在他们里面。

例如，如果文章 A 是：

Lorem ipsum dolor sit amet, consectetur adipiscing elit.

B 条是：

Vivamus fermentum semper porta.

然后，包含 lorem 的正则表达式将过滤文章 A 而不是 B。但如果 ipsum 是我要排除的单词，我不希望文章 A 被过滤。

我考虑做一个正则表达式来过滤出我想要的单词的文章，然后运行第二个正则表达式，排除第一组我不想要的文章，但不幸的是我使用的软件不允许我这样做这。我只能运行一个正则表达式。

Answer 1

我认为没有必要使用温和的贪婪量词。在锚定的否定预测中使用排除的词作为替代词。让我来指导你。

您说，您有Lorem ipsum dolor sit amet, consectetur adipiscing elit.，并且您希望它匹配，因为它包含单词lorem。正则表达式是\\blorem\\b（QRegExp.CaseInsensitive 设置为1），其中\b 用于强制整个单词匹配。如果字符串包含单词ipsum，为了防止匹配，您需要在字符串的最开始使用前瞻。

^(?!.*\\bipsum\\b).*\\blorem\\b

现在，it does not match the string in question。

要添加更多替代方案，我们可以使用alternation operator |，我们可以这样做：^(?!.*\\b(?:words|to|exclude)\\b).*\\b(?:words|to|include)\\b。请注意non-capturing groups 的使用，它不存储任何捕获的文本，与将匹配文本保存在缓冲区中的捕获组相比，它可能会提高性能。

因此，你得到

^(?!.*\\b(?:the|ones|that|should|not|match)\\b).*\\b(?:words|I|want|to|include)\\b

见demo

两个备注：

1. 在演示网站上，必须使用单反斜杠，我在这里将它们加倍以用于QRegExp。
2. 在 Qt 中，模式中的 . 匹配任何字符，包括换行符。在演示网站上，点与换行符不匹配。如果您需要相同的功能，您可能希望将其替换为 [^\n]，但我认为没有必要。

Answer 2

^(?:(?!\b(?:the|ones|that|should|not|match)\b).)*\b(?:words|I|want|to|include)\b(?:(?!\b(?:the|ones|that|should|not|match)\b).)*$

在找到应该匹配的单词后，您需要为这两个部分添加前瞻。参见演示。

https://regex101.com/r/bK9wF1/3

或

^(?!.*\b(?:the|ones|that|should|not|match)\b)(?=.*\b(?:words|I|want|to|include)\b).*$

在lookaheads下添加两个条件。查看演示。

https://regex101.com/r/uF4oY4/60

Answer 3

你离得很近。原因

^(words|I|want|to|include)(?:(?!the|ones|that|should|not|match).)*$

不起作用是因为它意味着 开始 用我想要包含的单词之一并继续直到结束的事情，这不是其中之一我不想包括的话。要修复它，您可以简单地将开始检查更改为使用正向预测：

^(?=.*(?:words|I|want|to|include))(?:(?!the|ones|that|should|not|match).)*$

现在这意味着确保从一开始直到某个点，至少有一个我想要包含的词并且然后像原来的正则表达式一样继续。

为了更严格，你可以使用word boundaries：

^(?=.*\b(?:words|I|want|to|include)\b)(?:(?!\b(?:the|ones|that|should|not|match)\b).)*$

注意这些都区分大小写。要改变它，你可以使用QRegExp::setCaseSensitivity

Answer 4

试试这个：

^(?:(?:(?!\b(?:the|ones|that|should|not|match)\b).|))*?\b(?:words|I|want|to|include)\b(?:(?:(?!\b(?:the|ones|that|should|not|match)\b).|))*$

参见Debuggex Demo（带有匹配和不匹配示例）。

注意：以上假设 QRegExp 支持可变长度前瞻 - 我尚未验证这一点。

说明：

1. 所有单词都必须准确（例如，包括“word”，但不包括“sword”或“words”），因此两边都包含在 \b 中。
2. 对于您想要包含的单词，只有至少一个出现至少一次才重要 - 这就是要搜索的全部内容。
3. 排除列表中的任何单词都可能出现在之前或之后搜索的单词，因此需要一个“排除组”两侧。
4. 排除组是使用this answer 中很好解释的方法实现的。
5. 第一个排除组使用*? 使其不贪婪，因此它不会消耗整个文本并在找到搜索词后立即停止。
6. 正则表达式包含在^...$ 中，以确保检查/匹配整个字符串，而不仅仅是其中的一部分。
7. 在第一个括号后立即使用?: 将所有组标记为非捕获组。
8. 匹配应该不区分大小写，因此正则表达式应该有适当的标志来执行此操作（例如 /i）。

Answer 5

您似乎需要的简化版本：

^(?:(?!ipsum).)*(?:lorem)(?:(?!ipsum).)*$

Formatted:

^                    # BOS
 (?:
      (?! ipsum )          # Preceding text, but not these words
      . 
 )*
 (?: lorem )          # Text wanted
 (?:
      (?! ipsum )          # Following text, but not these words
      . 
 )*
 $                    # EOS