代码之家 › 专栏 › 技术社区 › EndangeredMassa

如何在此正则表达式中指定可选的捕获组?

regex .net

EndangeredMassa · 技术社区 · 17 年前

.*(header_\d{10,11}_).*(_.*_\d{8}).*(\.\w{3,4}).*
-------------------------------------------
.*                   # Ignore some garbage in the front
(header_             # Match the start of the file name,
    \d{10,11}_)      #     including the ID (10 - 11 digits)
.*                   # Ignore the type code in the middle
(_.*_\d{8})          # Match some random characters, then an 8-digit date
.*                   # Ignore anything between this and the file extension
(\.\w{3,4})          # Match the file extension, 3 or 4 characters long
.*                   # Ignore the rest of the string

我希望这与以下字符串匹配:

str1 = "header_0000000602_t_mc2e1nrobr1a3s55niyrrqvy_20081212[1].doc [Compatibility Mode]"
str2 = "Microsoft PowerPoint - header_00000000076_d_al41zguyvgqfj2454jki5l55_20071203[1].txt"
str3 = "header_00000000076_d_al41zguyvgqfj2454jki5l55_20071203[1]"

其中,捕获组返回如下内容:

$1  =  header_0000000602_
$2  =  _mc2e1nrobr1a3s55niyrrqvy_20081212
$3  =  .doc

其中,如果找不到文件扩展名,则$3可以为空$3是可选部分,如上面的str3所示。

我觉得在第三个捕获组的末尾使用“?”是合适的做法,但它并没有像我预期的那样起作用。我可能太天真了,“*”部分,我用它来忽略字符串的一部分。

.*(header_\d*_).*(_.*_.{8}).*(\.\w{3,4})?.*

7 回复 | 直到 17 年前

Sean Bright Sean Stinehour 17 年前

一种可能性是,第二个是最后一个 .*

.*(header_\d*_).*(_.*_.{8}).*?(\.\w{3,4})?.*
                             ^ Added that

这是不正确的,这一个将匹配您提供的输入,但它假设第一个 . 它是文件扩展名的开始:

.*(header_\d*_).*(_.*_.{8})[^\.]*(\.\w{3,4})?.*

Eddie 17 年前

我相信问题出在你的第三个问题上 .* ,您在上面用“忽略此文件与文件扩展名之间的任何内容”对其进行了注释。它是贪婪的,所以它可以匹配任何东西。当您将扩展模式设置为可选时,第三个 .* . '字符,您可以替换 .* [^.]* 在你恢复系统后,剩下的部分有望发挥作用 ?

Factor Mystic 17 年前

好 .* 可能是启动正则表达式的错误方法-它将匹配0或更多( * header 这就是你想要的。您也可以将其替换为 \w ,它与分词符匹配。我还建议使用以下工具: The Regex Coach

David Morton 17 年前

在第二个匹配中指定只希望匹配所有不含句点的字符然后为您的分机进行匹配。

".*(header_\d{10,11}_).*(_.*_\d{8})[^.]*(\.\w{3,4})?"

Gavin Miller 17 年前

这是你的正确结果

.*?(header_\d*_).*?(_.*_.{8})[^.]*(\.\w{3,4})?.*
-------------------------------------------
.*?                  # Prevent a greedy match
(header_             # 
    \d{10,11}_)      # 
.*?                  # Prevent a greedy match
(_.*_\d{8})          # 
[^.]*                # Take everything that is NOT a period
(\.\w{3,4})          # Match the extension
.*                   #

隐含的假设是,周期将是数字匹配后文件扩展名的开始。以下内容不符合此要求:

string unmatched = "header_00000000076_d_al41zguyvgqfj2454jki5l55_20071203[1].foobar.txt"

,在.NET中取出组时,请确保代码如下所示:

regex.Match(string_to_match).Groups[1].Value
regex.Match(string_to_match).Groups[2].Value
regex.Match(string_to_match).Groups[3].Value

// 0 index == string_to_match
regex.Match(string_to_match).Groups[0].Value
regex.Match(string_to_match).Groups[1].Value
regex.Match(string_to_match).Groups[2].Value

这件事一开始就把我绊倒了。

Daniel Schaffer 17 年前

这适用于您发布的示例:

^.*?(?<header>\d+)_.*?_(?<date>\d{8}).*?(?:\.(?<ext>\w{3,4}))?[\w\s\[\]]*$

如果文件名后的文本包含除[和]以外的任何非字母数字字符,则需要修改模式。

Scott Willeke 17 年前

以下是一个适用于您发布内容的方法:

^.*(?<header>header_\d{10,11})_.*(?<date>_[a-z0-9]+_\d{8})(\[\d+\])(?<ext>(\.[a-zA-Z0-9]{3,4})?).*

替换为:

Header: $1
Date: $2
Extension: $4