使用正则表达式提取

Question

我是 Ruby、Regex 和 * 的新手。 xD 这是我的问题：

我想使用正则表达式来提取由具有标准 ASCII 字符的连续单词组成的短语，并将其与越南文本中的其他单词区分开来。

换句话说，只有 \w 个字符的短语，例如：

Mình rất thích con Sharp này (mặc dù chưa xài bao h nhưng chỉ nghe các pác nói mình đã thấy phê lòi mắt rồi)。 Các bạn cho mình hỏi 1 câu (các bạn đừng chê mình ngu nhé tội nghiệp mình) : cái máy này đem sang Anh dùng mạng Vodafone là dùng vô tư ah`? Nếu dùng được bên Anh mà không phải chọc ngoáy j thì mình mua một cái

不要关心它的含义，我想要实现的是一个包含 2 对结果的哈希数组：value => 提取的短语的值，starting_position => 第一个字符的位置。

按照关于的例子，应该是这样的： [{:value=>"con Sharp", :starting_position => 16}, {:value=>"bao h", :starting_position => blah blah}...]

这意味着所有包含 \W 字符的单词，例如“mình”、“rất”、“thích”等都会被拒绝。

在 rubular.com 上为 Ruby 1.9.2 尝试使用此正则表达式的上述示例：

\b[\w|\s]+\b

我几乎得到了我想要的短语（只有空格的短语除外），但它似乎不适用于我的 Ruby，它也是 1.9.2p290，使用 Win 7 64 位。

任何想法都将受到高度赞赏。提前谢谢你。

Answer 1

根据 rubular，它看起来像 \w 匹配所有 ascii 字母和数字（和下划线），但 \b 对所有 Unicode 字母都适用。这有点令人困惑。

然而，你想要的是所有 ASCII 字的序列。这应该匹配他们：

/\b[a-z]+\b(?:\s+[a-z]+)*\b/i

工作示例：http://www.rubular.com/r/1iewl7MpJe

快速解释：

• \b[a-z]+\b - 第一个 ASCII 字。
• (?:\s+[a-z]+) - 任意数量的空格和单词 - 每次至少一个空格和一个字母。
• \b - 确保最后一个词不会在另一个词的中间结束，例如 "con Sharp này" 中的 n。

我不确定获取哈希值，但你可以获取所有MatchDatas，类似于：
How do I get the match data for all occurrences of a Ruby regular expression in a string?

s = "hello !@# world how a9e you"
r = /\b[a-z]+\b(?:\s+[a-z]+)*\b/i

matches = s.to_enum(:scan, r).map { Regexp.last_match }
           .map {|match| [match.to_s(), match.begin(0)]}
puts matches 

这是一个关于 ideone 的示例：http://ideone.com/YRZE5