正则表达式捕获以冒号分隔的键值对，具有多行值答案

【问题标题】：Regex to capture colon-separated key-value pairs, with multi-line values正则表达式捕获以冒号分隔的键值对，具有多行值
【发布时间】：2012-06-20 18:41:00
【问题描述】：

我目前正在使用 Ruby on Rails（在 Eclipse 中）开发一个项目，我的任务是使用正则表达式将数据块拆分为相关部分。

我决定根据 3 个参数分解数据：

该行必须以大写字母开头（RegEx 等效 - /^[A-Z]/）
它必须以 : 结尾（RegEx 等效项 - /$":"/）

如果有任何帮助，我将不胜感激......我在控制器中使用的代码是：

@f = File.open("report.rtf")  
@fread = @f.read  
@chunk = @fread.split(/\n/)

其中@chunk 是将由拆分创建的数组，@fread 是正在拆分的数据（通过新行）。

任何帮助将不胜感激，非常感谢！

我无法发布确切的数据，但基本上是这样（这与医学有关）

考试 1：CBW 8080

结果：

此报告由特定度量决定。请参阅原始报告。

比较：2012 年 1 月 30 日、2012 年 3 月 8 日、2012 年 4 月 9 日

RECIST 1.1：哈哈哈哈哈哈

理想的输出是一个数组：

["Exam 1:", "CBW 8080", "RESULT", "This report is dictated with specific measurement. Please see the original report.", "COMPARISON:", "1/30/2012, 3/8/12, 4/9/12", "RECIST 1.1:", "BLAH BLAH BLAH"]

PS 我只是使用 \n 作为占位符，直到我让它工作

【问题讨论】：

数据是否来自文件？为什么不使用 readlines 而不是在换行符上手动拆分？
我们需要更多信息。一行中间可以有冒号吗？一行是以冒号结尾还是冒号后面还有换行符？线不匹配怎么办？重音/外国大写字母呢？ Eclipse 在这里的相关性是什么？
你要提取哪些“相关部分”？
你没有指定你想要的输出。
我在原始问题中回答了您的所有疑问...Eclipse 无关紧要...非常感谢您的帮助！

标签： ruby-on-rails ruby regex eclipse

【解决方案1】：

我不完全确定您在寻找什么。如果您希望所有出现的大写字母后跟一些文本和分号，那么您可以这样做：

str.scan(/[A-Z].*?:/)

【讨论】：

这是目前最好的答案，我只需要输出其他行

【解决方案2】：

应该这样做。

/^[A-Z].*:$/

【讨论】：

这只是返回整个文件的一个大数组，没有任何拆分：/
抱歉，我以为您的意思是您已经将其拆分为 \n 并且您将通过另一个正则表达式运行每一行——我的解决方案旨在匹配每一行。
如果我拆分每一行，然后在每一行上尝试，会产生所需的输出吗？
哦，不，不会的。我刚刚用您的新示例查看了您更新的问题。在您最初的问题中，不清楚有时“价值”会在同一行，而其他时候会在不同的行上。我将发布一个新的解决方案，以免混淆这个讨论。

【解决方案3】：

正则表达式可以是：/(^[A-Z].*\:)/m 然后通过添加来提取：

@chunk = @fread.scan(/(^[A-Z].*\:)/m)

如果@fread 是一个字符串。您可以使用http://rubular.com/ 在 ruby 中测试正则表达式。

【讨论】：

这会返回一个空数组：/
那么你需要 /(^[A-Z].*\:$)/m ，它正在扫描多行。
尝试打开您的终端并运行 irb，以获取交互式 ruby。您可以在某些字符串上尝试该正则表达式。我不确定您的输入格式。

【解决方案4】：

鉴于已澄清的问题，这是一个新的解决方案。

更新

首先将整个数据块（包括换行符和所有）“Slurp”成一个字符串。

str = IO.read("report.rtf")

然后使用这个正则表达式：

captures = str.scan(/(?<=^|[\r\n])([A-Z][^:]*):([^\r\n]*(?:[\r\n]+(?![A-Z].*:).*)*)/)

在此处查看实时示例：http://rubular.com/r/8w3X6WGq4l。

答案，解释：

    (?<=                Lookbehind assertion.
        ^                   Start at the beginning of the string,
        |                   or,
        [\r\n]              a new line.
    )
    (                   Capture group 1, the "key".
        [A-Z][^:]*          Capital letter followed as many non-colon
                            characters as possible.
    )
    :                   The colon character.

    (                   Capture group 2, the "value".
        [^\r\n]*            All characters (i.e. non-newline characters) on the
                            same line belongs to the "value," so take them all.

        (?:             Non-capture group.

            [\r\n]+         Having already taken everything up to a newline
                            character, take the newline character(s) now.

            (?!             Negative lookahead assertion.
                [^A-Z].*:       If this next line contains a capital letter,
                                followed by a string of anything then a colon,
                                then it is a new key/value pair, so we do not
                                want to match this case.
            )
            .*              Providing this isn't the case though, take the line!

        )*              And keep taking lines as long as we don't find a
                        key/value pair.
    )

【讨论】：

太棒了，它完美地完成了这项工作，你向 T 解释了它。非常感谢！现在我只需要解决“UTF-8 中的无效字节序列”错误就可以了！
顺便说一句，您知道如何摆脱该错误吗？我认为这与编码有关：/
不知道，但你见过这个：stackoverflow.com/questions/2982677/…?
如果有人感兴趣，答案是 str = IO.read("report_test").force_encoding("ISO-8859-1").encode("utf-8", replace: nil)非常感谢@acheong87！

【解决方案5】：

另一个解决方案：

input_str.split("\r\n").each |s| do
    var_name = s.split(": ")[0]
    var_value = s.split(": ")[1]
    # do whatever you like
done

【讨论】：