从已解析的 word 文档中返回文本的正则表达式答案

【问题标题】：A regex to return text from parsed word document从已解析的 word 文档中返回文本的正则表达式
【发布时间】：2016-09-23 09:55:33
【问题描述】：

我试图创建一个正则表达式来匹配我的 word 文档中的部分文本。在 word 文档中，我有类似 {LigneDetails.Libelle} 的内容，所以当我用 java 处理这个文件时，它会生成如下：

<w:t>{</w:t>
         </w:r>
         <w:proofErr w:type="spellStart" />
         <w:r w:rsidRPr="009664EA">
            <w:t>SOCIETE.RaisonSociale</w:t>
         </w:r>
         <w:proofErr w:type="spellEnd" />
         <w:r w:rsidRPr="009664EA">
 <w:t>}</w:t>

所以我在这里使用这个正则表达式匹配曲括号之间的文本：\\{([^\\{])*\\}，这将返回：

{</w:t>
         </w:r>
         <w:proofErr w:type="spellStart" />
         <w:r w:rsidRPr="009664EA">
            <w:t>SOCIETE.RaisonSociale</w:t>
         </w:r>
         <w:proofErr w:type="spellEnd" />
         <w:r w:rsidRPr="009664EA">
            <w:t>}

现在在我的 word 文档中我有这样的内容：{LigneDetails.Libelle:FAM:01}

这将生成：

<w:t>{</w:t>
    </w:r>
    <w:proofErr w:type="spellStart" />
    <w:r w:rsidRPr="002A51DD">
       <w:rPr>
          <w:sz w:val="14" />
          <w:szCs w:val="20" />
       </w:rPr>
       <w:t>LigneDetails.Libelle:FAM</w:t>
    </w:r>
    <w:proofErr w:type="spellEnd" />
    <w:r w:rsidRPr="002A51DD">
       <w:rPr>
          <w:sz w:val="14" />
          <w:szCs w:val="20" />
       </w:rPr>
       <w:t>:01}</w:t>

然后正则表达式将匹配该部分：

{</w:t>
                  </w:r>
                  <w:proofErr w:type="spellStart" />
                  <w:r w:rsidRPr="002A51DD">
                     <w:rPr>
                        <w:sz w:val="14" />
                        <w:szCs w:val="20" />
                     </w:rPr>
                     <w:t>LigneDetails.Quantite:FAM</w:t>
                  </w:r>
                  <w:proofErr w:type="spellEnd" />
                  <w:r w:rsidRPr="002A51DD">
                     <w:rPr>
                        <w:sz w:val="14" />
                        <w:szCs w:val="20" />
                     </w:rPr>
                     <w:t>:01}

到目前为止一切都很好。

现在我想匹配总是在: 之后的最后两个值，在我的情况下是FAM 和01，所以我希望这个正则表达式返回这两个值。

我该怎么做？

【问题讨论】：

stackoverflow.com/questions/1732348/…
你的正则表达式是不是错了？您发布了 \{([^\{])*\}（删除了 Java 需要的双重转义），但您不应该改用 \{([^\}])*\}，即匹配任何不是右花括号的东西吗？
您的要求的问题是获得正确冒号 (:) reliably 非常困难（请参阅 teukkam 的评论，它可能试图明白了用正则表达式解析 XML/HTML 是一项艰巨的任务，如果标记的结构超出您的控制范围，肯定会失败 - XML/HTML 不是正则语言，因此正则表达式不太适合）。跨度>
@Thomas 我的正则表达式实际上正在工作并返回我想要的内容
@Thomas 那么如果我使用\{([^\}])*\} 来获取两个大括号之间的文本，然后创建一个符合我对返回字符串的要求的正则表达式呢？我注意到我想要的文本总是在<w:t> 和</w:t> 之间，所以我的正则表达式将在上面返回的字符串中搜索<w:t> 和</w:t> 之间的文本（在我的情况下，这将返回{，@ 987654340@ 和 :01})，然后它会查找 : 之后的文本，这将返回 FAM 和 01，这有意义吗？

标签： java regex xml ms-word

【解决方案1】：

如果我们考虑到您当前的方法，您会留下一些 {...} 字符串，其中您可以删除 <...> 实体或文本或 { 在开头和 } 在结尾处用正则表达式。然后，您只需要抓取这些行并使用: 拆分，或者使用正则表达式来抓取: 符号之后的所有非空白字符。

Java 代码示例：

String str = "{</w:t>\n                  </w:r>\n                  <w:proofErr w:type=\"spellStart\" />\n                  <w:r w:rsidRPr=\"002A51DD\">\n                     <w:rPr>\n                        <w:sz w:val=\"14\" />\n                        <w:szCs w:val=\"20\" />\n                     </w:rPr>\n                     <w:t>LigneDetails.Quantite:FAM</w:t>\n                  </w:r>\n                  <w:proofErr w:type=\"spellEnd\" />\n                  <w:r w:rsidRPr=\"002A51DD\">\n                     <w:rPr>\n                        <w:sz w:val=\"14\" />\n                        <w:szCs w:val=\"20\" />\n                     </w:rPr>\n                     <w:t>:01}"; 
str = str.replaceAll("<[^<]*?>|^\\{|\\}$", "");
String[] lines = str.split("\n");
List<String> lst = new ArrayList<>();
for (String s : lines) {
    if (s.contains(":"))
        lst.add(s.trim().split(":")[1]);
}
System.out.println(lst);

见Java demo

或者带有 :(\S+) 正则表达式的版本从剥离的字符串内容中抓取 1+ 个非空白块：

str = str.replaceAll("<[^<]*?>|^\\{|\\}$", "");
Matcher m = Pattern.compile(":(\\S+)").matcher(str);
List<String> lst = new ArrayList<>();
while (m.find()) {
    lst.add(m.group(1));
}

见another demo

【讨论】：