解析字符串：提取单词和短语 [JavaScript]

Question

我需要在以空格分隔的术语列表中支持确切的短语（用引号引起来）。因此，用空格字符分割相应的字符串已经不够了。

例子：

input : 'foo bar "lorem ipsum" baz'
output: ['foo', 'bar', 'lorem ipsum', 'baz']

我想知道这是否可以通过单个正则表达式来实现，而不是执行复杂的解析或拆分和重新连接操作。

任何帮助将不胜感激！

Answer 1

var str = 'foo bar "lorem ipsum" baz';  
var results = str.match(/("[^"]+"|[^"\s]+)/g);

...返回您要查找的数组。
但请注意：

• 包含边界引号，因此可以使用以下命令删除 replace(/^"([^"]+)"$/,"$1") 关于结果。
• 引号之间的空格将保持不变。所以，如果之间有三个空格 lorem 和 ipsum, ，它们将出现在结果中。您可以通过运行来修复此问题 replace(/\s+/," ") 关于结果。
• 如果没有关闭 " 后 ipsum （IE。一个错误引用的短语）你最终会得到： ['foo', 'bar', 'lorem', 'ipsum', 'baz']

Answer 2

尝试这个：

var input = 'foo bar "lorem ipsum" baz';
var R =  /(\w|\s)*\w(?=")|\w+/g;
var output = input.match(R);

output is ["foo", "bar", "lorem ipsum", "baz"]

请注意，lorem ipsum 周围没有额外的双引号

尽管它假设输入在正确的位置有双引号：

var input2 = 'foo bar lorem ipsum" baz'; var output2 = input2.match(R);
var input3 = 'foo bar "lorem ipsum baz'; var output3 = input3.match(R);

output2 is ["foo bar lorem ipsum", "baz"]
output3 is ["foo", "bar", "lorem", "ipsum", "baz"]

并且不会处理转义的双引号（这是一个问题吗？）：

var input4 = 'foo b\"ar  bar\" \"bar "lorem ipsum" baz';
var output4 = input4.match(R);

output4 is  ["foo b", "ar bar", "bar", "lorem ipsum", "baz"]

Answer 3

怎么样，

output = /(".+?"|\w+)/g.exec(input)

然后传递输出以丢失引号。

交替，

output = /"(.+?)"|(\w+)/g.exec(input)

然后进行第 n 次输出以丢失空捕获。

Answer 4

非常感谢您的快速回复！

以下是供后代使用的选项摘要：

var input = 'foo bar "lorem ipsum" baz';

output = input.match(/("[^"]+"|[^"\s]+)/g);
output = input.match(/"[^"]*"|\w+/g);
output = input.match(/("[^"]*")|([^\s"]+)/g)
output = /(".+?"|\w+)/g.exec(input);
output = /"(.+?)"|(\w+)/g.exec(input);

作为记录，这是我想出的令人厌恶的东西：

var input = 'foo bar "lorem ipsum" "dolor sit amet" baz';
var terms = input.split(" ");

var items = [];
var buffer = [];
for(var i = 0; i < terms.length; i++) {
    if(terms[i].indexOf('"') != -1) { // outer phrase fragment -- N.B.: assumes quote is either first or last character
        if(buffer.length === 0) { // beginning of phrase
            //console.log("start:", terms[i]);
            buffer.push(terms[i].substr(1));
        } else { // end of phrase
            //console.log("end:", terms[i]);
            buffer.push(terms[i].substr(0, terms[i].length - 1));
            items.push(buffer.join(" "));
            buffer = [];
        }
    } else if(buffer.length != 0) { // inner phrase fragment
        //console.log("cont'd:", terms[i]);
        buffer.push(terms[i]);
    } else { // individual term
        //console.log("standalone:", terms[i]);
        items.push(terms[i]);
    }
    //console.log(items, "\n", buffer);
}
items = items.concat(buffer);

//console.log(items);

Answer 5

'foo bar "lorem ipsum" baz'.match(/"[^"]*"|\w+/g);

不过，边界引号会被包含在内

Answer 6

一个简单的正则表达式就可以了，但要留下引号。例如

'foo bar "lorem ipsum" baz'.match(/("[^"]*")|([^\s"]+)/g)
output:   ['foo', 'bar', '"lorem ipsum"', 'baz']

编辑：被shyamsundar击败，抱歉双重答案

Answer 7

一种易于理解且通用的解决方案。适用于所有分隔符和“连接”字符。还支持长度超过两个单词的“连接”单词......即列出类似

"hello my name is 'jon delaware smith fred' I have a 'long name'"....

有点像 AC 的答案，但更简洁一点......

function split(input, delimiter, joiner){
    var output = [];
    var joint = [];
    input.split(delimiter).forEach(function(element){
        if (joint.length > 0 && element.indexOf(joiner) === element.length - 1)
        {
            output.push(joint.join(delimiter) + delimiter + element);
            joint = [];
        }
        if (joint.length > 0 || element.indexOf(joiner) === 0)
        {
            joint.push(element);
        }
        if (joint.length === 0 && element.indexOf(joiner) !== element.length - 1)
        {
            output.push(element);
            joint = [];
        }
    });
    return output;
  }

Answer 8

如果您只是想知道如何自己构建正则表达式，您可能想查看 Expresso (快递链接）。它是学习如何构建正则表达式的好工具，因此您可以了解语法的含义。

当您构建了自己的表达式后，您可以执行 .match 在上面。

Answer 9

这可能是一个很晚的答案，但我有兴趣回答

([\w]+|\"[\w\s]+\")

http://regex101.com/r/dZ1vT6/72

纯 JavaScript 示例

 'The rain in "SPAIN stays" mainly in the plain'.match(/[\w]+|\"[\w\s]+\"/g)

输出：

["The", "rain", "in", ""SPAIN stays"", "mainly", "in", "the", "plain"]

Answer 10

ES6 解决方案支持：

• 除内部引号外按空格分割
• 删除引号，但不删除反斜杠转义引号
• 转义引用变成引用

代码：

input.match(/\\?.|^$/g).reduce((p, c) => {
        if(c === '"'){
            p.quote ^= 1;
        }else if(!p.quote && c === ' '){
            p.a.push('');
        }else{
            p.a[p.a.length-1] += c.replace(/\\(.)/,"$1");
        }
        return  p;
    }, {a: ['']}).a

输出：

[ 'foo', 'bar', 'lorem ipsum', 'baz' ]