如何修复此正则表达式（匹配字典条目）

Question

我正在使用具有如下定义的西班牙语词典：

l. a. c. Buitre, alimoche. adj. Persona alelada. (Cornago). GOICOECHEA. // 2. f. Persona torpe, despistada e irreflexiva. // 3. Estar mirando a los abantos. fr. fig. Ser despistado, soñador, no apercibirse de la realidad. Autol. RUIZ. // 4. f. esto es una prueba

以下规则适用：

• 每个定义可以包含以下类别中的一个（并且永远不会超过一个）：
  • l. a. c.
  • f.
  • m.
• 类别始终位于定义的开头
• 第一个定义从头开始，如果有更多定义，则以\\ n.开头，其中'n'是一个数字（可以多于一个数字）

对于我给出的示例，应该解析以下定义：

1. （类别：l.a.c.）Buitre，alimoche。形容词角色阿莱拉达。 （玉米）。 GOICOECHEA
2. （类别：f.）Persona torpe，despistada e impreflexiva。
3. （无类别）Estar mirando a los abantos。 fr。如图。 Ser despistado, soñador, no apercibirse de la realidad。汽车鲁伊兹。
4. （类别：f.）esto es una prueba

我正在尝试制作一个正则表达式来捕获每个定义（即 0 或 1 个类别 + 含义）。这就是我所拥有的

(?:(m\.|l\. a\. c\.|f\.) )?(.*?) (?:$|(?:\/\/ \d+. (?:(m\.|l\. a\. c\.|f\.) )?(.*?))+)

我正在测试它here这是我写的：

(?:
    (m\.|l\. a\. c\.|f\.)  <-- First: unnamed group containing the named group 
                                      for the category  and one space
)?
(.*?)                      <-- Named group for the meaning
(?:                        <-- Unnamed group for end of line OR another definition
   $                       <--- (end of line)
   |                       <--- (OR)
   (?:\/\/ \d+.            <--- (Definition separator & number)
       (?:(m\.|l\. a\. c\.|f\.) )?(.*?) <-- Another definition
   )+                                   <-- There may be more than one definition, so we add '+'
)

我有几个问题：

• 我不知道为什么它不起作用。似乎最后一个捕获组(.*?) 直到下一个\\ 才扩展。我该如何解决？
• (m\.|l\. a\. c\.|f\.) 组应该更大（类别更多）如何避免重复？
• 我给出的正则表达式字符串中有一些重复，我该如何避免这种情况？

这是我的第一个重要的正则表达式示例，因此欢迎任何其他关于样式的评论或总体改进。

我的主要问题是为什么我的正则表达式不起作用。（这只是为了澄清......）

Answer 1

问题是最后一个捕获组是非贪婪的。

(?:
    (m\.|l\. a\. c\.|f\.)
)?
(.*?)
(?:
   $
   |
   (?:\/\/ \d+.
       (?:(m\.|l\. a\. c\.|f\.) )?
       (.*?) <-- this is non-greedy.
   )
)+

因此，它只会匹配空字符串。模式末尾的 + 没有做任何事情，因为它已经匹配了一次，这足以停止。

解决方法很简单：强制模式匹配整行。只需在末尾添加$。

(?:(m\.|l\. a\. c\.|f\.) )?(.*?) (?:$|(?:\/\/ \d+. (?:(m\.|l\. a\. c\.|f\.) )?(.*?)))+$

---

编辑：不可能用单个正则表达式捕获每个类别和定义。如果您使用单个模式匹配整个字符串，每个捕获组将只包含它匹配的文本last，因此您将只能解析最后一个定义。

您可以使用此模式来匹配单个定义。

(?:^| \/\/ \d\. )(?:(?P<category>m\.|l\. a\. c\.|f\.) )?(?P<definition>.*?)(?:$|(?= \/\/ \d\.))

将其应用于字符串，直到它不再找到匹配以捕获所有定义。

while (matcher.find()){
   ... do something
}

Demo.

---

模式详解：

(?:
    ^ // match start of string
| // OR
     \/\/ \d\. // "\\ " literally, followed by a digit, a dot, and a space
)
(?:
    (?P<category> // in the named group "category", capture...
        m\.|l\. a\. c\.|f\. // one of "m.", "l. a. c.", "f."
    )  // and a space
)? // ...if possible.
(?P<definition> // in the named group "definition", capture...
    .*? // everything up to...
)
(?:
    $ // the end of the string
| // OR
    (?= // the start of the next definition. This needs to be enclosed in a lookahead assertion so as not to consume it.
         \/\/ \d\.
    ) 
)