MarkLogic 的 xQuery 中的正则表达式答案

【问题标题】：Regular Expressions in MarkLogic's xQueryMarkLogic 的 xQuery 中的正则表达式
【发布时间】：2015-07-11 15:42:25
【问题描述】：

我正在尝试使用带有正则表达式的 fn:matches 的 XQuery，但 XQuery 的 MarkLogic 实现似乎不允许十六进制字符表示。下面给我一个“无效的正则表达式”错误。

(: Find text containing non-ISO-Latin characters :)
let $regex := '[^\x00-\xFF]'
let $results := fn:collection('mydocs')//myns:myelem[fn:matches(., $regex)]
let $count := fn:count($results)

return
    <figures count="{$count}">
        { $results }
    </figures>

但是，这个并没有给出错误。

let $regex := '[^a-zA-Z0-9]'
let $results := fn:collection('mydocs')//myns:myelem[fn:matches(., $regex)]
let $count := fn:count($results)

return
    <figures count="{$count}">
        { $results }
    </figures>

在 MarkLogic 的 XQuery 实现中，有没有一种方法可以使用十六进制字符表示，或者可以得到相同结果的替代方法？

【问题讨论】：

你可以试试下面的代码，如果它运行没有错误，请告诉我们：let $regex := '[^\x00\xFF]' 如果它运行，则意味着你的范围有问题。如果它没有运行，那么 MarkLogic 正则表达式将似乎不接受十六进制匹配。
谢谢。它确实运行： let $regex := '[^\x00-\xFF]' return $regex does not return an error
问题是一个范围内的十六进制字符。当您使用字符集时，每个正则表达式引擎都有不同的转义规则（即有时引擎需要 \[a-z\] 其他可能需要 [\x{00}]。如果我面前没有实际的 MarkLogic 控制台，将很难测试。
你能在 MarkLogic 正则表达式中使用[[:ascii:]] 类吗？在您的第一个示例中，您实际上是在尝试匹配 any ASCII 字符。

标签： regex xquery marklogic

【解决方案1】：

XQuery 可以在字符串中使用数字字符引用，就像 XML 和 HTML 一样：

十进制："&#10;" 十六进制："&#0a;"（或只是"&#a;"）

但是，您不能表示某些字符：例如<= "&#x09;"。

XQuery 中没有正则表达式类型（您只需将字符串用作正则表达式），因此您可以在正则表达式中使用字符引用：

fn:matches("a", "[^&#x09;-&#xFF;]")

(: => xs:boolean("false") :)

更新：这是关于字符引用的 XQuery 1.0 规范：http://www.w3.org/TR/xquery/#dt-character-reference。

基于一些简短的测试，我认为 MarkLogic 强制执行 XML 1.1 字符引用规则：http://www.w3.org/TR/xml11/#charsets

为了后代，这里是 XML 1.0 规则：http://www.w3.org/TR/REC-xml/#charsets

【讨论】：

【解决方案2】：

嗯，MarkLogic 的 xQuery 实现似乎需要 Unicode。事实证明，即使是非常小的十六进制范围（例如，[^x00-x0F]）也会引发“无效的正则表达式”错误，但 Unicode 表示法不会引发错误。下面给我结果。

let $regex := '[^U0000-U00FF]'
let $results := fn:collection('mydocs')//myns:myelem[fn:matches(., $regex)]
let $count := fn:count($results)

return
    <figures count="{$count}">
        { $results }
    </figures>

我认为仅仅分配let $regex := '[^\x00-\xFF]' 并没有引发错误，因为当我尝试return $regex 时它被视为字符串。

【讨论】：

该正则表达式不匹配十六进制代码点的 unicode 字符；它匹配除U00、0-U 和00FF 之外的任何内容（即，这些范围被解释为文字字符）。