regex - 在双正斜杠和/或使用 RegExp 的特定单词上拆分字符串

Question

我正在尝试通过双正斜杠和/或特定字符串(例如“and”)来拆分文本。

Example A:
text1 a/s // text2 a/b
text1 a/s and text2 a/b


Example B:
text1. // text2,// text3-
text1. and text2, and text3-

示例 A 返回两个匹配项: text1 a/s text2 a/b

示例 B 返回三个匹配项:text1。文本2，文本3-

我得到了非常有用的提示如何用单个正斜杠分割:
Split string on single forward slashes with RegExp ，但试图找到一个解决方案来排除两个正斜杠或一个字符串，被证明太具有挑战性了。

如果可以为两个示例组合一个解决方案，则可以加分:

Example C:
text1 a/s // text2, and text3-

我只希望与 VBA 兼容的 RegExp 解决方案。

Answer 1

正如您所说，您已经为 Split string on single forward slashes with RegExp 中的不同拆分字符提供了可行的解决方案。 .该代码实际上并未拆分字符串，但它匹配除“/ ”之外的所有内容。然后它在 collection 中返回每个单独匹配的结果。 (是的，它最终 split )。

你需要做的是匹配str中的每个字符, 除非下一个字符是 //或 and .我们可以使用 lookahead为了这。

只需使用以下代码更改代码中的模式:

.Pattern = "(?!$)((?:(?!//|\band\b).)*)(?://|and|$)"

或者，如果要修剪每个标记的空格，请使用以下正则表达式:

.Pattern = "(?!$)((?:(?!\s*//|\s*\band\b).)*)\s*(?://|and|$)\s*"

虽然这也将匹配 //或 and ，它使用 ( group ) 捕获实际的 token 。因此，您必须使用 .SubMatches(0) 将 token 添加到集合中。 (第一组反向引用的内容)。

在您的代码中，而不是添加 coll.Add r_item.Value ， 利用:

coll.Add r_item.SubMatches(0)

注意:如果你的字符串有换行符，别忘了设置 rExp带有 .Multiline = True 的对象.

VBA代码:

Sub GetMatches(ByRef str As String, ByRef coll As Collection)

    Dim rExp As Object, rMatch As Object

    Set rExp = CreateObject("vbscript.regexp")
    With rExp
        .Global = True
        .MultiLine = True
        .Pattern = "(?!$)((?:(?!\s*//|\s*\band\b).)*)\s*(?://|and|$)\s*"
    End With

    Set rMatch = rExp.Execute(str)
    If rMatch.Count > 0 Then
        For Each r_item In rMatch
            coll.Add r_item.subMatches(0)
        Next r_item
    End If
End Sub

这就是您可以使用示例调用它的方式:

Dim text As String
text = "t/xt1.//text2,and landslide/ andy  // text3-  and  text4"

'vars to get result of RegExp
Dim matches As New Collection, token
Set matches = New Collection

'Exec the RegExp --> Populate matches
GetMatches text, matches

'Print each token in debug window
For Each token In matches
    Debug.Print "'" & token & "'"
Next token
Debug.Print "======="

每个 token 都打印在即时窗口中。

此代码是 @stribizhev 最初发布的代码的修改版本

立即窗口中的输出:

't/xt1.'
'text2,'
'landslide/ andy'
'text3-'
'text4'
=======

更深入的解释

您可能想知道这种模式是如何工作的。我会尝试用详细的描述来解释。为此，让我们仅使用模式的重要部分，使用以下正则表达式(其余部分并不重要):

((?:(?!//|\band\b).)*)(?://|and|$)

它可以很容易地分为两种结构:

一、子模式((?:(?!//|\band\b).)*)是 group匹配每个标记，反向引用我们要为每个匹配返回的文本。在 vba ，组返回 .SubMatches() .让我们停下来:

内部表达式(?!//|\band\b).首先检查以确保它后面没有拆分字符串(“//”或“and”)。如果不是，则正则表达式引擎匹配 一个 字符(注意末尾的点)。就是这样，它匹配我们捕获的 token 中允许的一个字符。

现在，它包含在 (?:(?!//|\band\b).)* 中为了对它可以匹配的每个字符重复它，我们得到了 token 中的所有字符。这个结构是最接近 while loop 的结构。 .

While it's not followed by a split string, get next char.

如果你仔细想想，它是构造 .*我们都知道，每个字符都有一个额外的条件。

第二个子模式(?://|and|$)更简单，只需匹配一个拆分字符串(“//”、“and”或行尾)。它在 non-capturing group 内，这意味着它将被匹配，但它不会存储其值的副本。

例如:

text1 a/s and text2 a/b//last
^        ^| |               [1]: 1st subpattern, captured in Matches(0).SubMatches(0)
|--------|^-^
|   1      2|               [2]: Split string, not captured but included in match
|-----------|
      3                     [3]: The whole match, returned by Matches(0)


For the second match, Matches(1).Value = " text2 a/b//"
                      Matches(1).Submatches(0) = " text2 a/b"

该模式的其余部分只是细节:

(?!$)是为了避免在行尾匹配一个空字符串。

所有\s*是否可以修剪 token (以避免在 token 的开头或结尾捕获空格)。