捕获组仅返回每个组的最后一次出现

Question

我有这样的字符串：

String s = "word=PS1,p1,p2,p3=q1,q2|word2=PS3,p4,p5,p6=q3";

或这样：

String s2 = "word3=PS2,p7,p8=q4,q5,q6|=PS3,p9=";

或这样：

String s3 = "=PS3=";

所以，在正式形式中 - 字符串包含字典中的一些单词定义，由“|”分隔象征。

这里：

• word - 字典中的单词（可选，如 S2 或 S3）

• PS1、PS2、PS3 - 的一部分语音标记（必需）

• p1,p2,... - 一些参数（可选）

• q1, q2, q3, ... - 一些其他参数（也是可选的）

q1, q2, q3, ... -我想构建 正则表达式，它找到文本中出现的所有此类字符串，并给出组：

• group1 - 单词
• group2 - 词性标签
• group3、group4、... - 参数 p
• group(k)、group(k+1)、。 .. - 另一个参数 (q)

我不关心最后一个 p 参数和第一个 q 参数的组索引。我应该知道，第一组 - 是单词（可能为空），第二组 - 词性，其他组 - 参数 p 和 q。

现在我有这样的正则表达式：

"([a-z]*)?=([A-Z]+)(,?[a-z]+)*=(,?[a-z]+)*")

但它不能正常工作。它只显示最后一个参数 p 和 q。即（对于 S2）：

• group1 = word3 - OK
• group2 = PS2 - OK
• group3 = p8 - NOT OK（仅最后一个 p 参数）
• group4 = q6 - NOT OK（也是最后一个 q 参数）

你能帮我吗？

更新： “=”字符仅是 p 参数和 q 参数之间的分割字符。在我的问题中没有必要。您应该认为，p 参数和 q 参数没有不同。

实际输入的示例：

String s = "bread=NOUN,plur,link=form|=VERB="

Answer 1

在正则表达式中不能有可变数量的捕获组。在 .Net 中，每个组可以有多个捕获，但在 Java 中不行。您面临的问题是正则表达式引擎仅存储每个组的最后一次成功匹配。您能做的最好的事情就是将所有 p 和 q 参数匹配成两大组，然后将它们分开。

Pattern pattern1 = Pattern.compile(
    "([^|=,]*)" +                // Group 1: The word. Zero or more characters.
    "=([^|=,]*)" +               // Group 2: The part of speech.
    ",?([^|=,]*(?:,[^|=,]*)*)" + // Group 3: The p-params
    "=([^|=,]*(?:,[^|=,]*)*)"    // Group 4: The q-params
);
Matcher matcher = pattern1.matcher("word=PS1,p1,p2,p3=q1,q2|word2=PS3,p4,p5,p6=q3");
while (matcher.find()) {
  String word = matcher.group(1);
  String partOfSpeech = matcher.group(2);
  String pParamString = matcher.group(3);
  String qParamString = matcher.group(4);
  String[] pParams = pParamString.split(",");
  String[] qParams = qParamString.split(",");
  // Do something with the above variables...
}

我使用 [^|=,]* 来匹配任何非特殊字符。

Answer 2

当我遇到这样的问题时，我会查看量词上的修饰符。您可能希望将某些量词修改为贪婪的，例如

(,?[az]+)+*

上面的区别在于，最后的零个或多个量词现在尽可能多地获取。这只是一个示例，我完全不确定该特定修饰符是否是您所需要的，但是，鉴于您的表达式按照您报告的方式工作，这些修饰符似乎可以完成其余的工作。