regex - 使一个小的正则表达式更具可读性

Question

我有一个可用的正则表达式，但我想让它更具可读性，而且我远不是正则表达式专家，所以我谦虚地希望得到一些提示。

这是为了抓取几个不同的编译器、链接器和其他构建工具的输出而设计的，并用于构建一个不错的小总结报告。它做得很好，但我觉得自己写的方式很笨拙，我宁愿早点学习也不愿以错误的方式使用它。

(.*?)\s?:?\s?(informational|warning|error|fatal error)?\s([A-Z]+[0-9][0-9][0-9][0-9]):\s(.*)$

其中，简单分解如下:

(.*?)                                       # non-greedily match up until...
\s?:?\s?                                    # we come across a possible " : "
(informational|warning|error|fatal error)?  # possibly followed by one of these
\s([A-Z]+[0-9][0-9][0-9][0-9]):\s           # but 100% followed by this alphanum
(.*)$                                       # and then capture the rest

我最感兴趣的是让上面的第二个和第四个条目更……漂亮。出于某种原因，我使用的正则表达式测试器 (The Regulator) 不匹配纯空格，所以我不得不使用\s... 但它并不意味着匹配任何其他空格。

任何学校教育都将不胜感激。

Answer 1

使长正则表达式更具可读性的最简单方法是使用“free-spacing”(或\x)modifier ，这将使您可以像在第二个代码块中那样编写正则表达式——它会忽略空格。然而，并非所有引擎都支持它(根据上面链接的页面，.NET、Java、Perl、PCRE、Python、Ruby 和 XPath 支持它)。

另请注意，在自由间距模式下，如果您只想匹配一个空格字符(除非您正在使用Java，在这种情况下，您必须使用 \，这是一个转义空格)。

如果您希望每个元素都是可选的，独立于其他元素，您实际上无法为第二行做任何事情，但可以缩短第四行:

\s([A-Z]+\d{4}):\s

\d 是 shorthand class相当于[0-9]，{4}指定它应该出现exactly four times .

第三行也可以稍微缩短((?:…) 指定一个非捕获 group ):

(informational|warning|(?:fatal )? error)?

从效率的角度来看，除非您每次使用括号时实际上都需要捕获子模式，否则您可以删除所有子模式，除了第三行，alternation 需要该组。 ) -- 但是可以将其设为非捕获。把这些放在一起你会得到:

.*?
\s?:?\s?
(?:informational|warning|(?:fatal )?error)?
\s[A-Z]+\d{4}:\s
.*$