Lex（词法分析器）中正则表达式的大问题

Question

我有一些这样的内容：

    author = "Marjan Mernik  and Viljem Zumer",
    title = "Implementation of multiple attribute grammar inheritance in the tool LISA",
    year = 1999

    author = "Manfred Broy and Martin Wirsing",
    title = "Generalized
             Heterogeneous Algebras and
             Partial Interpretations",
    year = 1983

    author = "Ikuo Nakata and Masataka Sassa",
    title = "L-Attributed LL(1)-Grammars are
             LR-Attributed",
    journal = "Information Processing Letters"

我需要捕获 title 双引号之间的所有内容。我的第一次尝试是这样的：

^(" "|\t)+"title"" "*=" "*"\"".+"\","

这捕获了第一个示例，但是不是另外两个。另一个有多条线，这就是问题所在。我想在某处更改为 \n 允许多行，如下所示：

^(" "|\t)+"title"" "*=" "*"\" "(.|\n)+"\","

但这并没有帮助，相反，它捕获了所有内容。

相比之下，“我想要的是双引号之间的内容，如果我捕获所有内容直到找到另一个 ” 后跟 , 会怎样？这样我就可以知道我是否位于 title 的末尾，无论行数如何，如下所示：

^(" "|\t)+"title"" "*=" "*"\""[^"\""]+","

但这还有另一个问题...上面的例子没有它，但是双引号符号(") 可以位于 title 声明之间。例如：

title = "aaaaaaa \"X bbbbbb",

是的，它前面总是有一个反斜杠 (\)。

任何建议修复这个正则表达式？

Answer 1

匹配双引号中的字符串的经典正则表达式是：

\"([^\"]|\\.)*\"

在你的情况下，你会想要这样的东西：

"title"\ *=\ *\"([^\"]|\\.)*\"

PS：恕我直言，你在正则表达式中放置了太多引号，很难阅读。

Answer 2

您可以使用启动条件来简化每个单独的模式，例如：

%x title
%%
"title"\ *=\ *\"  { /* mark title start */
  BEGIN(title);
  fputs("found title = <|", yyout);
}

<title>[^"\\]* { /* process title part, use ([^\"]|\\.)* to grab all at once */
  ECHO;
}

<title>\\. { /* process escapes inside title */
  char c = *(yytext + 1);
  fputc(c, yyout); /* double escaped characters */
  fputc(c, yyout);
}

<title>\" { /* mark end of title */
  fputs("|>", yyout);
  BEGIN(0); /* continue as usual */
}

要生成可执行文件：

$ flex parse_ini.y
$ gcc -o parse_ini lex.yy.c -lfl

运行它：

$ ./parse_ini < input.txt 

其中 input.txt 是：

author = "Marjan\" Mernik  and Viljem Zumer",
title = "Imp\"lementation of multiple...",
year = 1999

输出：

author = "Marjan\" Mernik  and Viljem Zumer",
found title = <|Imp""lementation of multiple...|>,
year = 1999

它替换了 '"' 周围标题由 '<|' 和 '|>' 组成，'\"'` 也被标题内的 '""' 替换。