c# - 非捕获和捕获匹配

Question

我正在尝试从庞大的域名列表中捕获子域。例如，我想从“funstuff.mysite.com”中捕获“funstuff”。我不想在匹配项中捕获“.mysite.com”。这些事件出现在文本的海洋中，所以我不能指望它们位于一行的开头。我知道子域不会包含任何特殊字符或数字。所以我所拥有的是:

[a-z]{2,10}(?=\.mysite\.com)

问题是只有当子域前面没有数字或特殊字符时，这才有效。例如，“asdfbasdasdfdfunstuff.mysite.com”将返回“fdfunstuff”，但“asdfasf23/funstuff.mysite.com”不会匹配。

我不能依赖子域前的特殊字符，例如“http://funstuff.mysite.com”中的“/”，因此不能用作条件的一部分。

如果捕获在子域之前出现错误的文本，那没关系，尽管 99% 的情况下它的前面会是小写字母以外的其他内容。我试过了，

(?<=[^a-z])[a-z]{2,10}(?=\.mysite\.com)

但出于某种原因，这不会捕获文本，情况如下:

afb"asdfunstuff.mysite.com

引号阻止匹配 [a-z]{2-20}。在这种情况下，基本上我想做的是捕获 asdfunstuff.mysite.com。如何做到这一点？

Answer 1

所以你有两个问题要解决:第一，你想匹配“.mysite.com”但不捕获它；其次，您想在“子域”位置最多抓取 10 个字母字符。

第一个问题可以通过使用捕获组来解决。正则表达式

([a-z]{2,10})\.mysite\.com

将捕获 2 到 10 个字符之间的某处，返回的 match 对象将在其属性之一中公开该字符(取决于语言)。 C# 返回 Match 的集合对象，所以它将是唯一的项目。

第二个问题可以使用分界符\b来解决。 In .NET, this matches where an alphanumeric (i.e. \w) is next to a non-alphanumeric (\W).其他语言(例如 ECMAScript/Javascript)的工作方式类似。

因此，我建议使用以下正则表达式来解决您的问题:

\b([a-z]{2,10})\.mysite\.com

请注意，子域名中的数字也是合法的，因此以下内容可能通常是正确的(尽管在您的特定情况下可能不正确):

\b(\w{2,10})\.mysite\.com

其中“单词字符”\w 等同于 .NET 的 ECMAScript 兼容模式中的[a-zA-Z_0-9]。 ( Further reading. )