如何编写提取标签文本的正则表达式？

Question

我一直在尝试创建一个程序来用空格替换制表符元素（假设制表符相当于 8 个空格，其中一个或多个由非空白字符（字母）占用。

我开始通过以下方式从扫描仪中提取文件中的文本：

try {
    reader = new FileReader(file)
} catch (IOException io) {
    println("File not found")
}
Scanner scanner = new Scanner(reader);
scanner.usedelimiter("//Z");
String text = Scanner.next();

然后我尝试解析以下面带有 ptrn1 的制表符结尾的文本片段，并使用 ptrn2 提取每个片段的最后一个单词的长度：

Pattern ptrn1 = Pattern.compile(".*\\t, Pattern.DOTALL);
Matcher matcher1 = ptrn1.matcher(text);
String nextPiece = matcher1.group();
println(matcher1.group()); /* gives me the first substring ending with tab*/

然而：

Pattern ptrn2 = Pattern.compile("\\s.*\\t"); /*supposed to capture the last word in the string*/
Matcher matcher2 = ptrn2.matcher(nextPiece);
String lastword = matcher2.group();

最后一行给了我一个错误，因为它显然无法与模式("\\s.\*\\t") 匹配任何内容。最后一个正则表达式有问题，它的意思是“任意数量的空格，后跟任意数量的字符，然后是制表符。但我无法找出它有什么问题。我有尝试了("\\s*.+\\t")、("\\s*.*\\t") 和("\s+.+\\t")；仍然没有运气。

后来，根据以下建议，我简化了代码并将示例字符串包含在其中。如下：

       import acm.program.*;
       import acm.util.*;
       import java.util.*;
       import java.io.*;
       import java.util.regex.*;

    public class Untabify extends ConsoleProgram {
        public void run(){
            String s = "Be plain,\tgood son,\tand homely\tin thy drift.\tRiddling\tconfession\tfinds but riddling\tshrift. ";            
                Pattern ptrn1 =Pattern.compile(".*?\t", Pattern.DOTALL);
                Pattern ptrn2 = Pattern.compile("[^\\s+]\t", Pattern.DOTALL);

                String nextPiece;

                Matcher matcher1 = ptrn1.matcher(s);

                while (matcher1.find()){                
                    nextPiece = matcher1.group();
                    println(nextPiece);
                    Matcher matcher2 = ptrn2.matcher(nextPiece);
                    println(matcher2.group());

               }
            }
    }

程序不定时崩溃，首先在“println(matcher2.group())”；并在下一次运行“public void run()”时显示消息：“调试当前指令指针”（它的含义是什么？）。

Answer 1

查看示例字符串会很有用。如果你只想要制表符之前的最后一个单词，那么你可以使用这个：

([^\s]+)\t

注意() 是将最后一个单词放在一个组中。 [^\s]+ 表示 1 个或多个非空格。

Answer 2

您不需要双重转义制表符（即\\t）； \t 会很好。 \t 被 java String 解析器解释为制表符，并且该制表符被发送到正则表达式解析器，后者将其解释为制表符。您可以查看this answer 了解更多信息。

另外，你应该使用Pattern.DOTALL，而不是Pattern.Dotall。

Answer 3

"\\s.*\\t" 模式必须匹配单个空白字符 (\s)，后跟 0 个或多个字符 (.*)，后跟单个制表符 (\t)。如果你想捕捉最后一个单词和一个尾随标签，你应该使用单词边界转义\b

Pattern.compile("\\b.*\\b\t");

如果您不想匹配任何字符，您可以替换上面的 . 以使用 \w 或任何您对单词字符的定义。

这是您用来匹配制表符之前的任何单词的代码：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegEx {
    public static void main(String args[]) {
        String text = "ab cd\t ef gh\t ij";
        Pattern pattern = Pattern.compile("\\b(\\w+)\\b\t", Pattern.DOTALL);
        Matcher matcher = pattern.matcher(text);
        while (matcher.find()) {
            System.out.println(matcher.group(1));
        }
    }
}

上面会输出

cd
gh

请参阅Regular Expression Tutorial，尤其是Predefined Character Classes 和Boundary Matchers 上的部分了解更多信息。

您可以在Regex101 上获取更多详细信息并尝试使用此正则表达式。