将字符串解析为术语字典的最佳方法

Question

输入 - 字符串："TAG1xxxTAG2yyyTAG3zzzTAG1tttTAG1bbb"

预期结果：对TAG1 = {xxx,,ttt,bbb}, TAG2 = {yyy}, TAG3 = {zzz}.

我是使用正则表达式完成的，但我对使用 Regex.Replace 而不是使用返回值感到非常困惑。我想改进这段代码，如何实现呢？

using System;
using System.Collections.Generic;
using System.Text.RegularExpressions;

namespace TermsTest
{
    class Program
    {
        static void Main(string[] args)
        {
            string[] tags = { "TAG1", "TAG2", "TAG3", "TAG4", "TAG5", "TAG6", "TAG7", "TAG8" };
            string file = "TAG2jjfjfjndbfdjTAG1qqqqqqqTAG3uytygh fhdjdfTAG5hgjdhfghTAG6trgfmxc hdfhdTAG2jfksksdhjskTAG3kdjbjvbsjTAG2jskjdjdvjvbxjkvbjdTAG2jkxcndjcjbkjn";

            string tag = "(" + string.Join("|", tags) + ")";

            var dictionary = new Dictionary<string, List<string>>(tags.Length);
            Regex.Replace(file, string.Format(@"({0})(.+?)(?={0}|$)", tag), match =>
                                                                            {
                                                                                string key = match.Groups[1].Value, value = match.Groups[3].Value;
                                                                                if (dictionary.ContainsKey(key))
                                                                                    dictionary[key].Add(value);
                                                                                else
                                                                                    dictionary[key] = new List<string> {value};
                                                                                return "";
                                                                            });
            foreach (var pair in dictionary)
            {
                Console.Write(pair.Key + " =\t");
                foreach (var entry in pair.Value)
                {
                    Console.Write(entry + " ");
                }
                Console.WriteLine();
                Console.WriteLine();
            }
        }
    }
}

Answer 1

string input = "TAG1xxxTAG2yyyTAG3zzzTAG1tttTAG1bbb";
var lookup = Regex.Matches(input, @"(TAG\d)(.+?)(?=TAG|$)")
                    .Cast<Match>()
                    .ToLookup(m => m.Groups[1].Value, m => m.Groups[2].Value);

foreach (var kv in lookup)
{
    Console.WriteLine(kv.Key + " => " + String.Join(", ", kv));
}

输出：

TAG1 => xxx, ttt, bbb
TAG2 => yyy
TAG3 => zzz

Answer 2

你想要做的只是对同一标签的值进行分组，所以使用GroupBy方法应该更容易：

string input = "TAG1xxxTAG2yyyTAG3zzzTAG1tttTAG1bbb";
var list = Regex.Matches(input, @"(TAG\d+)(.+?)(?=TAG\d+|$)")
                .Cast<Match>()
                .GroupBy(m => m.Groups[1].Value,
                         (key, values) => string.Format("{0} = {{{1}}}", 
                                             key, 
                                             string.Join(", ", 
                                                values.Select(v => v.Groups[2]))));
var output = string.Join(", ", list);

这会产生一个output 字符串"TAG1 = {xxx, ttt, bbb}, TAG2 = {yyy}, TAG3 = {zzz}"

Answer 3

我不确定我是否了解您在这个问题中的所有假设和约定；但这给了我类似的结果：

var tagColl = string.Join("|", tags);
var tagGroup = string.Format("(?<tag>{0})(?<val>[a-z]*)", tagColl);

var result = from x in Regex.Matches(file, tagGroup).Cast<Match>()
                where x.Success
                let pair = new { fst = x.Groups["tag"].Value, snd = x.Groups["val"].Value }
                group pair by pair.fst into g
                select g;

一个简单的测试是：

Console.WriteLine(string.Join("\r\n", from g in result
                                        let coll = string.Join(", ", from item in g select item.snd)
                                        select string.Format("{0}: {{{1}}}", g.Key, coll)));

Answer 4

这对于 .NET CaptureCollection 对象来说是一项完美的工作——这是一项独特的 .NET 功能，可让您多次重复使用同一个捕获组。

使用此正则表达式并使用 Matches 创建 MatchCollection：

(?:TAG1(.*?(?=TAG|$)))?(?:TAG2(.*?(?=TAG|$)))?(?:TAG3(.*?(?=TAG|$)))?

然后检查捕获：

• Groups[1].Captures 将包含所有 TAG1
• Groups[2].Captures 将包含所有 TAG2
• Groups[3].Captures 将包含所有 TAG3

从那里到您的最终数据结构只有一小步。

为了减少回溯的可能性，您可以使标记原子化：

(?>(?:TAG1(.*?(?=TAG|$)))?)(?>(?:TAG2(.*?(?=TAG|$)))?)(?>(?:TAG3(.*?(?=TAG|$)))?)

有关其工作原理的详细信息，请参阅Capture Groups that can be Quantified。