使用.NET正则表达式查找字符串之外的内容

Question

我正在寻找使用.NET正则表达式查找不在双引号内的每个单词。下面是一些示例文本：

Hello world I want to get all of these words as a match "but not these ones...
because they're inside a string. And maybe I'll \"escape\" the quotes too." Also,
these words should match. Now we're outside of the string. And I can't escape
quotes; \"this still shouldn't be matched."

所以我想要匹配：

Hello, world, I, want, to, get, all, of, these, words, as, a, match, Also,
these, words, should, match, Now, we, re, outside, of, the, string, And, I,
can, t, escape, quotes

是否可以使用.NET正则表达式外部堆栈和断言？我已经走了这么远了：

(?<=(?(rstack)|(?!))(?<-rstack>").*?(?<rstack>").*?)\w+... same thing for fstack

当然，它不起作用。

Answer 1

此表达式使用平衡组返回所需的单词。匹配表达式后，引号中的单词可以作为m.Groups["word"].Captures.OfType<Capture>.Select(c=>c.Value)进行访问。通过在模式中包含可选断言，如果引号不平衡，则匹配可能会失败；如果从表达式中删除，则忽略无关的引号。

以下是包含图案并打印所需输出的驱动程序。

string input = @"Hello world I want to get all of these words as a match ""but not these ones...  because they're inside a string. And maybe I'll \""escape\"" the quotes too."" Also,  these words should match. Now we're outside of the string. And I can't escape  quotes; \""this still shouldn't be matched.""";
string pattern = @"(?>
                     ^(?:
                       #capture word only if not inside a quotation
                       (?(quote)\w+|(?<word>\w+))
                         (?:
                           ([^\w""]*|$)
                             (?(quote)
                                  #if within a quote, close unless escaped
                                  (?:(?<=\\)\""|(?<-quote>(?<!\\)\""))
                                  |
                                  #if not within a quote, open quote
                                  (?<quote>\"")
                             )?
                         )*
                       )*
                     )$
                     (?(quote)(?!)) # will fail to match if extra quotes
                                    # if line removed, will ignore extra quote";

RegexOptions options = RegexOptions.IgnorePatternWhitespace;

Match m = Regex.Match(input, pattern, options);
if (!m.Success) Console.WriteLine("Failed");
else
    foreach (
      var word in m.Groups["word"]
                   .Captures
                   .OfType<Capture>()
                   .Select(a => a.Value))
           Console.WriteLine(word);

Answer 2

我认为，与其匹配引号外的单词，不如匹配引号内的单词，并将其替换为'‘。

在这种情况下，我建议你看看this question和@RicardoNolde的答案：

(?>(?(STR)(?(ESC).(?<-ESC>)|\\(?<ESC>))|(?!))|(?(STR)"(?<-STR>)|"(?<STR>))|(?(STR).|(?!)))+

(请参阅他的问题以获得比我更好的解释，因为我不熟悉.NET引擎)。

这将匹配引号内的所有单词。如果你删除它们(即用‘’替换)，然后用@"\b(\w+)\b"匹配结果字符串，你就对了。

然而，你会有问题，除非在你的字符串中：

• 所有引号对都是格式良好的(即整个文本中的引号数目为偶数)
• 所有引号对都匹配(如您的示例中没有\"和相应的" )
• 任何嵌套的引号都会转义("This is a quote that contains another "quote", tricky!"可以说在引号内包含D14和D15)。H216F217

(前面的正则表达式似乎适用于\"this still shouldn't be matched"的示例，但如果将其更改为"this still shouldn't be matched\" but this should. "hi"，则会出现问题，因为内部\"被视为转义引号，而不是平衡对的一部分)。

也就是说，如果您的文本满足我上面提到的这三个规则，那么您可以使用普通的正则表达式做您想做的事情(尽管我觉得既然您使用的是.NET，那么您也可以利用它的堆栈特性)：

(?<!")\b[a-zA-Z]+\b(?=(?>((\\"|[^"])*)"(?>(\\"|[^"])*)")*(\\"|[^"])*$)

这意味着“匹配任何后跟偶数个非转义引号的单词”。逻辑是，由于引号是成对的，如果您不在一组引号内，则剩下偶数个(未转义的)引号。

here ( (?>...)是为了避免正则表达式引擎进行不必要的回溯，这样性能会更好)。(注意：我将不匹配的引号\"this still shouldn't be matched"更改为"this still shouldn't be matched"，以便输入符合上述三条规则)。

还要注意，你不能说“匹配任何后面跟着偶数个引号的单词”(包括转义的引号)，因为这样你就会在匹配嵌套引号内的单词时遇到问题。例如，Hello world "this is a quote \"containing another quote\" end quote" goodbye将错误地使内部another quote与正则表达式匹配，因为字符串中剩余的引号数量为偶数。

总而言之

你真的需要所有的引号对都是格式良好的/匹配的，并且嵌套的引号要被转义，以便任何种类的正则表达式都能工作，不管是不是.NET引擎。

我建议使用@RicardoNolde从另一个问题(链接在上面)中的答案来删除所有引用的文本，然后匹配所有剩余的单词。