与子组匹配的模式出错 - 贪婪和不贪婪的限定符都不起作用答案

【问题标题】：Error on Pattern matching with subgroups - neither greedy nor ungreedy qualifiers work与子组匹配的模式出错 - 贪婪和不贪婪的限定符都不起作用
【发布时间】：2015-05-13 12:27:57
【问题描述】：

我正在尝试将文本和 word 文档中的前缀/后缀分开。这是一个 ZIP 文件，我参与其中 word/document.xml 看起来像

^.*<w:body> 
...this is the text... 
<w:sectPr[^>]*><some_selfclosing_tags/>*</w:sectPr>
</w:body>.*$

问题是我无法确定 Pattern 引擎放可选

 <w:sectPr>...</<w:sectPr>

在带有</w:body> 的后缀组中。它既不适用于贪婪的?，也不适用于不贪婪的?? 限定符，如下所示：

Pattern.compile("^(.*<w:body[^>]*>)(.*)"
+"((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>)?"
+"\\s*</w:body\\s*>.*)$", Pattern.DOTALL)

Pattern.compile("^(.*<w:body[^>]*>)(.*)"
+"((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>)??"
+"\\s*</w:body\\s*>.*)$", Pattern.DOTALL)

这是问题的简化版本：

String doc="<?xml version=\"1.0\"><w:document><w:body> ...text... <w:sectPr><w:cols w:space=\"720\"/></w:sectPr></w:body></w:document>";
Pattern rxv[]=new Pattern[]
        {Pattern.compile("^(.*<w:body[^>]*>)(.*)" 
                        +"((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>)?" 
                        +"\\s*</w:body\\s*>.*)$", Pattern.DOTALL)
        ,Pattern.compile("^(.*<w:body[^>]*>)(.*)" 
                        +"((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>)??" 
                        +"\\s*</w:body\\s*>.*)$", Pattern.DOTALL)
        };
ApplStr.ckRx(doc, rxv);

以上在 System.out 上产生：

rx0:^(.*<w:body[^>]*>)(.*)((?:w:sectPr[^>]*>\s*(?:<\w+[^/>]*/>\s*)*</w:sectPr\s*>)?\s*</w:body\s*>.*)$
rx0Grp0:
<?xml version="1.0"><w:document><w:body> ...text... <w:sectPr><w:cols w:space="720"/></w:sectPr></w:body></w:document>
rx0Grp1:
<?xml version="1.0"><w:document><w:body>
rx0Grp2:
 ...text... <w:sectPr><w:cols w:space="720"/></w:sectPr>
rx0Grp3:
</w:body></w:document>

rx1:^(.*<w:body[^>]*>)(.*)((?:<w:sectPr[^>]*>\s*(?:<\w+[^/>]*/>\s*)*</w:sectPr\s*>)??\s*</w:body\s*>.*)$
rx1Grp0:
<?xml version="1.0"><w:document><w:body> ...text... <w:sectPr><w:cols w:space="720"/></w:sectPr></w:body></w:document>
rx1Grp1:
<?xml version="1.0"><w:document><w:body>
rx1Grp2:
 ...text... <w:sectPr><w:cols w:space="720"/></w:sectPr>
rx1Grp3:
</w:body></w:document>

我想要的是<w:sectPr><w:cols w:space="720"/></w:sectPr> 在第 3 组而不是第 2 组。

【问题讨论】：

抱歉 - 我忘了使用 Ctrl-K 来作为内联代码引号。
问题是我无法确定 Pattern 引擎将 optional 放在带有 .它既不适合贪婪？也不贪心？？限定符如下所示：
可选部分是...
您考虑过使用 XML 解析器吗？
如果您删除<w:sectPr[^>]*><some_selfclosing_tags/>*</w:sectPr>，您的正则表达式仍将匹配该字符串。我看到的唯一问题是您在+"\s*</w:body 中的\s 之前缺少一个反斜杠。这能解决问题吗？

标签： regex regex-group regex-greedy

【解决方案1】：

为了捕获您需要作为第 2 组的一部分的子字符串，您需要在第 2 组中使用 .*? 的惰性匹配：

^(.*<w:body[^>]*>)(.*?)((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>‌)?\\s*</w:body\\s*>.*)$

这是IDEONE demo

String str = "<?xml version=\"1.0\"><w:document><w:body> ...text... <w:sectPr><w:cols w:space=\"720\"/></w:sectPr></w:body></w:document>";
String rx = "^(.*<w:body[^>]*>)(.*?)((?:<w:sectPr[^>]*>\\s*(?:<\\w+[^/>]*/>\\s*)*</w:sectPr\\s*>)?\\s*</w:body\\s*>.*)$";
Pattern ptrn = Pattern.compile(rx);
Matcher m = ptrn.matcher(str);
while (m.find()) {
    System.out.println(m.group(1));
    System.out.println(m.group(2));
    System.out.println(m.group(3));
}

输出：

<?xml version="1.0"><w:document><w:body>
 ...text... 
<w:sectPr><w:cols w:space="720"/></w:sectPr></w:body></w:document>

【讨论】：