使用 Regex 和 Java 从文本中提取内容答案

【问题标题】：Extract stuff from text using Regex and Java使用 Regex 和 Java 从文本中提取内容
【发布时间】：2016-10-12 15:14:38
【问题描述】：

我有一些这样的文字：

 //(10,0,'Computer_accessibility','',''),(13,0,'History_of_Afghanistan','',''),(14,0,'Geography_of_Afghanistan','','')

我写了一个模式：

public final static Pattern r_english = Pattern.compile("\\((.*?),(.*?),(.*?),(.*?),(.*?)\\)");

这在 Java 中可以很好地提取 m.group(1)（例如 13）和 m.group(3)（例如 History_of_Afghanistan），其中 m 是一个匹配器。但是，如果文本是这样的，它就会中断，因为华盛顿，_D.C. (ie. m.group(3)) 里面有一个逗号：

(8543,0,'Washington,_D.C.','',''),(8546,0,'Extermination_camp','','')

有人可以帮助我使用正则表达式来修改它并提取 Washington,_D.C.东西？谢谢

【问题讨论】：

标签： java regex string text

【解决方案1】：

更改您的第三个捕获组以捕获所有内容，直到达到关闭 '。这样可以捕获每个字符（包括您的逗号）。

更新：为了也允许转义 's，正则表达式看起来像这样。学分归 Pshemo，见 cmets。

public final static Pattern r_english = Pattern.compile("\\((.*?),(.*?),('(?:[^']|\\')*'),(.*?),(.*?)\\)");

【讨论】：

现在我正在等待来自 OP 的信息，该标题中可能还包含多个 '。但现在看起来还可以。
到目前为止它不在示例输入中：D
顺便说一句，您可能不需要'[^']*?' 中的?。 (.*?)也可以改成([^,]*)。
@Knight 在这种情况下，您需要创建一些格式，以便我们确定哪个' 是标题的一部分，哪个' 被视为代表标题结尾的引号。换句话说，您需要引入一些非特殊 ' 的转义机制，例如在其前面加上 \ （但这也意味着 \ 是特殊的，所以就像在字符串文字中一样，您还需要转义它如果你想创建这样的符号），或者像 SQL 那样，用另一个 ' 转义每个文本 ' 它，比如 'Marvin''s_Room'。
@Knight 在这种情况下，不要使用仅接受非引号字符的[^']，而是尝试编写接受非引号或转义引号。所以尝试将('[^']*') 更改为('(?:[^']|\\')*') \\ 写为\\\\。如果你想知道(?:...)是什么，它被称为非捕获组，它是一个不包含在组树中的组，所以你不能通过group(index)访问它，我这样做是为了不影响你当前组索引。

【解决方案2】：

您应该帮助使您的 RegEx 更适合您的案例。例如：

((.*?),(.*?),('.*?'),('.*?'),('.*?'))

我使用了括号 '，此解决方案也与第 3-5 组中的进一步括号无关。

问候

【讨论】：

【解决方案3】：

您需要更改正则表达式以适合您要检索的所有匹配项，例如：

/((.*?),(.*?),'(.*?)','(.*?)','(.*?)'\)/g

工作示例@regex101

您需要将上面的正则表达式翻译/转义为Java兼容的，例如：

public static String REGEX_PATTERN = "\\((.*?),(.*?),'(.*?)','(.*?)','(.*?)'\\)";

然后，遍历所有匹配以尝试模仿 //g 修饰符，例如：

while (matcher.find()) {
}

Java 工作示例：

package SO40002225;

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

public class Main {

    public static String INPUT;
    public static String REGEX_PATTERN;

    static {
        INPUT = "(8543,0,'Washington,_D.C.','',''),(8546,0,'Extermination_camp','',''),(8543,0,'Washington,_D.C.','',''),(8546,0,'Extermination_camp','','')";
        REGEX_PATTERN = "\\((.*?),(.*?),'(.*?)','(.*?)','(.*?)'\\)";
    }


    public static void main(String[] args) {
        String text = INPUT;

        Pattern pattern = Pattern.compile(REGEX_PATTERN);
        Matcher matcher = pattern.matcher(text);

        while (matcher.find()) {
            String mg1 = matcher.group(1);
            String mg2 = matcher.group(2);
            String mg3 = matcher.group(3);
            String mg4 = matcher.group(4);
            String mg5 = matcher.group(5);

            System.out.println("Matching group #1: " + mg1);
            System.out.println("Matching group #2: " + mg2);
            System.out.println("Matching group #3: " + mg3);
            System.out.println("Matching group #4: " + mg4);
            System.out.println("Matching group #5: " + mg5);
        }

    }

}

更新 #1

删除了在正则表达式中为逗号, 所做的转义，正如 Pshemo 所指出的，, 不是元字符，或者它没有在限制重复中使用量词：{min, max}

【讨论】：

抱歉，转义, 有什么意义？它不是正则表达式元字符之一（至少不是在这里 - 只有 , 不代表文字的情况是在量词内，如 {min,max} 或 {,max} 但即使这样也没有任何转义的意义）。跨度>
@Pshemo，感谢您指出这一点，我完全忘记了这一点。