Emparejamiento multilínea en Haskell Posix

Question

Parece que no puedo encontrar documentación decente sobre la implementación POSIX de Haskell. Específicamente el módulo Text.Regex.Posix .

¿Alguien puede señalarme en la dirección correcta para usar la coincidencia de varias líneas en una cadena?

Un fragmento para los curiosos:

> extractToken body = body =~ "<textarea[^>]*id=\"wpTextbox1\"[^>]*>(.*)</textarea>" :: String

Estoy tratando de extraer la fuente de las páginas de wikipedia, sin embargo, este método claramente se cae cuando hay más de una línea involucrada.

Answer 1

Es posible que deba importar Text.Regex.Base.RegexLike para acceder a makeRegexOpts y amigos.

extractToken body = match regex body where
    regex = makeRegexOpts (defaultCompOpt - compNewline) defaultExecOpt
              "<textarea[^>]*id=\"wpTextbox1\"[^>]*>(.*)</textarea>"

Bueno, ya que Text.Regex.Posix es defaultCompOpt = compExtended + compNewline , eso funciona de manera equivalente como

extractToken body = match regex body where
    regex = makeRegexOpts compExtended defaultExecOpt
              "<textarea[^>]*id=\"wpTextbox1\"[^>]*>(.*)</textarea>"

Para extraer solo el primer grupo, use una de las otras instancias de RegexLike . Una posibilidad es

extractToken body = head groups where
    (preMatch, inMatch, postMatch, groups) =
        match regex body :: (String, String, String, [String])
    regex = makeRegexOpts compExtended defaultExecOpt
              "<textarea[^>]*id=\"wpTextbox1\"[^>]*>(.*)</textarea>"

Answer 2

Es posible que deba utilizar el backend PCRE en su lugar si desea hacer algo más flexible o con mejor rendimiento que las expresiones regulares de Posix.

pcre-light y regex-pcre están bien.

Answer 3

Resolví en este caso haciendo coincidir

((.*)|\n*)*

Aunque esto puede no funcionar siempre dependiendo de su expresión. La solución anterior es probablemente la mejor manera de hacerlo si puede.