知名文本的正则表达式答案

【问题标题】：Regex for well-known text知名文本的正则表达式
【发布时间】：2014-03-12 15:22:53
【问题描述】：

我正在寻找正则表达式来验证和解析众所周知的文本，这是一种用于传输空间数据的格式，如下所示：

POLYGON((51.124 -3.973, 51.1 -3.012, ....))

或

MULTIPOLYGON(((POLYGON((51.124 -3.973, 51.1 -3.012, ....)),POLYGON((50.14 -13.973, 51.1 -13.012, ....))

在其他变体中。

这里有一个很好的答案：Parsing a WKT-file 使用正则表达式：

\d+(?:\.\d*)?

从其他地方我也看到了

\d*\.\d+|\d+

和

(\d*\.)?\d+

这些似乎都做同样的事情，但这让我想知道这 3 个正则表达式的相对工作原理，以及是否有任何性能问题或需要注意的细微之处。

明确地说，我知道有用于解析各种语言的 WKT 的库。我的问题纯粹是关于数字提取正则表达式的相对行为。

【问题讨论】：

你已经知道正则表达式了吗？也就是说，您对帖子中每个正则表达式的不同部分有基本的了解？
是的，我理解匹配组和非匹配组的概念，各种量词的含义等，但我觉得我缺少更深层次的东西。

标签： regex wkt

【解决方案1】：

这取决于您需要允许的数字格式，例如：

格式 1：22 格式 2：22.2 格式 3：.2 格式 4：2。

第一个模式 \d+(?:\.\d*)? 匹配 1,2,4
第二个模式 \d*\.\d+|\d+ 匹配 1,2,3
第三个模式 (\d*\.)?\d+ 匹配 1,2,3（并且有一个不需要的捕获组）

注意：如果数字是整数，模式 2 和 3 的成功速度比第一个慢，因为它们必须匹配直到点的所有数字，回溯到开始并重试相同的数字更多时间。 （参见下面的架构）

字符串 |图案 |状态 -----+----------------+---------------------------- -- 123 | \d*\.\d+|\d+ |开始 123 | \d*\.\d+|\d+ |好的 123 | \d*\.\d+|\d+ |好的 123 | \d*\.\d+|\d+ |好的 123 | \d*\.\d+|\d+ |失败 => 回溯 123 | \d*\.\d+|\d+ |失败 => 回溯 123 | \d*\.\d+|\d+ |失败 => 回溯 123 | \d*\.\d+|\d+ |转到下一个选项 123 | \d*\.\d+|\d+ |好的 123 | \d*\.\d+|\d+ |好的 123 | \d*\.\d+|\d+ |好的 => 成功

如果要匹配四种情况，可以使用：

\.\d+|\d+(?:\.\d*)?

(+) 如果数字不以点开头，则第一个替代方案立即失败，第二个替代方案将匹配所有其他情况。回溯被限制在最低限度。
(-) 如果您的数字很少以点开头，则第一个替代方案将被测试并且每次都会失败。然而，第一种选择很快就失败了。（换句话说，出于同样的原因）。在这种情况下，最好使用\d+(?:\.\d*)?|\.\d+

显然，如果要支持负值，则需要添加-?：

-?(?:\.\d+|\d+(?:\.\d*)?)

【讨论】：

谢谢，这正是我所希望的答案。
WKT 数据可能非常大，因此速度很重要。但是，纬度/经度数据可以这样表示，首先，伦敦处于数字可能以点开头的区域，虽然我只看到它为 0.xxx，但绝对值得考虑。
@JohnBarça：在这种情况下0.xxx 第一个模式\d+(\.\d*)? 是迄今为止最好的。
可以将最终模式简化为 -?(?:\d*(?:\.\d*)?) 还是有特定原因我们将前导数字匹配分成单独的字符类匹配？
@JLunda：不，因为您的模式匹配空字符串或- 或. 或-.。其他模式确保至少一位数。