正则表达式只匹配大写 "words"有一些异常(exception)

Question

我有如下技术字符串:

"The thing P1 must connect to the J236 thing in the Foo position."

我想用正则表达式匹配那些只有大写的单词(即这里 P1 和 J236 )。问题是当它是一个单字母单词时，我不想匹配句子的第一个字母。

例如，在:

"A thing P1 must connect ..." 

我要 P1只有，不是 A和 P1 .通过这样做，我知道我可能会错过一个真正的“单词”(如 "X must connect to Y" )，但我可以忍受它。

此外，如果句子全部大写，我不想匹配大写单词。

例子:

"THING P1 MUST CONNECT TO X2."

当然，理想情况下，我想匹配技术词 P1和 X2在这里，但由于它们“隐藏”在全大写的句子中，并且由于这些技术词没有特定的模式，所以这是不可能的。再次我可以忍受它，因为全大写的句子在我的文件中并不常见。

谢谢!

Answer 1

在某种程度上，这会因您使用的 RegEx 的“风格”而异。以下基于.NET RegEx，使用\b用于单词边界。在最后一个例子中，它还使用了负环视 (?<!)和 (?!)以及非捕获括号 (?:)
但是，基本上，如果术语始终包含至少一个大写字母后跟至少一个数字，则可以使用

\b[A-Z]+[0-9]+\b

对于全大写和数字(总数必须为 2 或更多):

\b[A-Z0-9]{2,}\b

对于全大写和数字，但至少以一个字母开头:

\b[A-Z][A-Z0-9]+\b

祖父，返回具有任意大写字母和数字组合的项目，但不是行首的单个字母，也不是全大写的行的一部分:

(?:(?<!^)[A-Z]\b|(?<!^[A-Z0-9 ]*)\b[A-Z0-9]+\b(?![A-Z0-9 ]$))

故障:

正则表达式以 (?: 开头. ?:表示 - 尽管后面的内容在括号中，但我对捕获结果不感兴趣。这称为“非捕获括号”。在这里，我使用了括号，因为我使用的是交替(见下文)。

在非捕获括号内，我有两个单独的子句，由管道符号 | 分隔。 .这是交替——就像一个“或”。正则表达式可以匹配第一个表达式或第二个表达式。这里的两种情况是“这是该行的第一个单词”还是“其他所有内容”，因为我们有一个特殊要求，即在行首排除一个字母的单词。

现在，让我们看看交替中的每个表达式。

第一个表达式是: (?<!^)[A-Z]\b .这里的主要条款是 [A-Z]\b ，它是任何一个大写字母后跟一个单词边界，可以是标点符号、空格、换行符等。之前的部分是 (?<!^) ，这是一个“负面回顾”。这是一个零宽度断言，这意味着它不会“消耗”字符作为匹配的一部分——在这里理解这一点并不重要。 .NET 中负向后视的语法是 (?<!x) ，其中 x 是在我们的主子句之前不能存在的表达式。这里的表达式只是 ^ , 或行首，因此交替的这一侧翻译为“任何由单个大写字母组成且不在行首的单词”。

好的，所以我们正在匹配不在行首的单字母大写单词。我们仍然需要匹配由所有数字和大写字母组成的单词。

这由交替中第二个表达式的一小部分处理: \b[A-Z0-9]+\b . \b s 代表单词边界， [A-Z0-9]+匹配一个或多个数字和大写字母。

表达式的其余部分由其他环视组成。 (?<!^[A-Z0-9 ]*)是另一个否定回顾，其中表达式为 ^[A-Z0-9 ]* .这意味着前面的不能全部是大写字母和数字。

第二个环视是 (?![A-Z0-9 ]$) ，这是一个负面的前瞻。这意味着后面的内容不能全部是大写字母和数字。

因此，总的来说，我们正在捕获所有大写字母和数字的单词，并从行首和所有大写的行中排除一个字母的大写字符。

这里至少有一个弱点，即第二个交替表达式中的环视独立地起作用，所以像“A P1 应该连接到 J9”这样的句子将匹配 J9，但不匹配 P1，因为 P1 之前的所有内容都是大写的。

有可能解决这个问题，但它几乎会使正则表达式的长度增加三倍。尝试在一个正则表达式中做这么多事情，如果有的话，很少是合理的。您最好将工作分解为多个正则表达式或使用您选择的编程语言的正则表达式和标准字符串处理命令的组合。