查找未封闭的引号（'- 或 “- 样式）

Question

我正在直接从 OCR 引擎编辑一些文本，在某些段落中，OCR 引擎会忽略开始和结束引号。我更喜欢在 HTML 模式下进行编辑，因此最终会得到一些文本，例如：

<p>“Wait a moment,” Jacey said. The street light lit up his aged, rat face. Who’s on the move?”</p>

请注意缺少的“。

另外一句话：

<p>“He said he’ coming afer you,” Harry said, and he’ bringing the boys too!”</p>

我使用这个正则表达式：([>\.\,])(.*?)”，它似乎对第二句话起作用，但对第一句话不起作用。这是因为正则表达式是从左到右匹配的，因此匹配了不应在引号内的额外句子 The street light lit up his aged, rat face.。 我在想如果从右到左进行匹配，问题就可以解决。我知道这是 C# 中可用的一个选项，但我正在使用基于文本的编辑器的正则表达式引擎来编辑一个简单的文本文件。有没有办法只定位“之前的最后一句，也就是Who’s on the move?。

[编辑] 我一直在尝试使用lookbehind regex：(?<=(?:\. |, |>)(\w)(.*?))(”)，它似乎找到了所有缺少开引号的句子“，但问题是我无法用\3“\1\2\3替换(?<=)构造中的内容，因为lookbehind是0长度。相反，文本只是重复。例如，使用上面的正则表达式，句子Who’s on the move?” 变为Who’s on the move?”“Who’s on the move?”

任何想法都会受到赞赏。 谢谢

Answer 1

递归和定义子程序

以下正则表达式检查字符串是否平衡。下面的代码（参见the online demo 中的输出）检查了几个字符串。解释在 cmets 中。

$balanced_string_regex = "~(?sx)                  # Free-Spacing
(?(DEFINE)            # Define a few subroutines
   (?<double>&ldquo;(?:(?!&[lr]squo;).)*&rdquo;)  # full set of doubles (no quotes inside)
   (?<single>&lsquo;(?:(?!&[lr]dquo;).)*&rsquo;)  # full set of singles (no quotes inside)
   (?<notquotes>(?:(?!&[lr][sd]quo;).)*)          # chars that are not quotes
)                     # end DEFINE

^                       # Start of string
(?:                     # Start non-capture group
   (?&notquotes)        # Any non-quote chars
   &l(?<type>[sd])quo;  # Opening quote, capture single or double type
   # any full singles, doubles, not quotes or recursion
   (?:(?&single)|(?&double)|(?&notquotes)|(?R))*
   &r\k<type>quo;       # Closing quote of the correct type
   (?&notquotes)      # 
)++                   # Repeat non-capture group
$                     # End of string
~";

$string = "&ldquo;He said  &rdquo; &lsquo;He said  &rsquo;";
check_string($string);
$string = "<p>&ldquo;Wait a moment,&rdquo; Jacey said. The street light lit up his aged, rat face. Who&rsquo;s on the move?&rdquo;</p>";
check_string($string);
$string = "<p>&ldquo;Wait a moment,&rdquo; Jacey said. The street light lit up his aged, rat face. &lsquo;Whos on the &ldquo;move?&rdquo; &rsquo;</p>";
check_string($string);
$string = "<p>&ldquo;He said he&rsquo; coming afer you,&rdquo; Harry said, and he&rsquo; bringing the boys too!&rdquo;</p>";
check_string($string);
$string = "<p>&ldquo;He &lsquo;said he&rsquo; coming afer you,&rdquo; Harry said, and he&ldquo; bringing the boys too!&rdquo;</p>";
check_string($string);


function check_string($string) {
    global $balanced_string_regex;
    echo (preg_match($balanced_string_regex, $string)) ?
        "Balanced!\n" :
        " Nah... Not Balanced.\n" ;
}

输出

Balanced!
 Nah... Not Balanced.
Balanced!
 Nah... Not Balanced.
Balanced!

---

替换缺少的引号

正如我在 cmets 中指出的那样，IMO 替换缺失的引号是危险的：缺失的引号应该落在哪个词之前或之后？如果有任何类型的嵌套，我们能否确定我们已经正确识别了缺失的报价？出于这个原因，如果你要做任何事情，我倾向于匹配平衡部分（希望它是正确的）并删除任何额外的引号。

上面的模式适用于各种调整。例如，在this regex demo 上，我们匹配并替换了一个不平衡的引用。既然有人要求这样做，我将不情愿地提供第二个可能的调整——this one 在不匹配的右引号之前的短语开头插入一个缺失的左引号。