analisi delle stringhe:estrazione di parole e frasi [JavaScript]

Question

Devo supportare le frasi esatte (racchiuse tra virgolette) in un elenco di termini altrimenti separati da spazi.Pertanto la suddivisione della rispettiva stringa in base al carattere spazio non è più sufficiente.

Esempio:

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

Mi chiedo se ciò possa essere ottenuto con una singola RegEx, piuttosto che eseguire complesse operazioni di analisi o divisione e ricongiungimento.

Qualsiasi aiuto sarebbe molto apprezzato!

Answer 1

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

...restituisce l'array che stai cercando.
Nota, tuttavia:

• Le virgolette di delimitazione sono incluse, quindi possono essere rimosse con replace(/^"([^"]+)"$/,"$1") sui risultati.
• Gli spazi tra le virgolette rimarranno intatti.Quindi, se ci sono tre spazi in mezzo lorem E ipsum, saranno nel risultato.Puoi risolvere questo problema correndo replace(/\s+/," ") sui risultati.
• Se non c'è chiusura " Dopo ipsum (cioè.una frase citata in modo errato) ti ritroverai con: ['foo', 'bar', 'lorem', 'ipsum', 'baz']

Answer 2

Prova questo:

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"]

Nota che non ci sono virgolette doppie aggiuntive attorno a lorem ipsum

Anche se presuppone che l'input contenga le virgolette doppie al posto giusto:

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"]

E non gestirà le virgolette doppie con escape (è un problema?):

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

che ne dite di,

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

quindi esegui un passaggio sull'output per perdere le virgolette.

in alternativa,

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

quindi esegui un passaggio n output per perdere le acquisizioni vuote.

Answer 4

Grazie mille per le risposte rapide!

Ecco un riepilogo delle opzioni, per i posteri:

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);

Per la cronaca, ecco l'abominio che avevo inventato:

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);

le virgolette di delimitazione vengono però incluse

Answer 6

Una semplice espressione regolare basterà lasciare le virgolette.per esempio.

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

modificare:battuto da shyamsundar, scusa per la doppia risposta

Answer 7

Uno che sia facile da capire e una soluzione generale.Funziona con tutti i delimitatori e i caratteri di "unione".Supporta anche parole "unite" lunghe più di due parole....cioè elenchi come

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

Un po' come la risposta di AC ma un po' più ordinata...

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

Se ti stai chiedendo come costruire da solo la regex, potresti dare un'occhiata a Expresso (Collegamento espresso).È un ottimo strumento per imparare a creare espressioni regolari in modo da sapere cosa significa la sintassi.

Quando hai costruito la tua espressione, puoi eseguire a .match su di essa.

Answer 9

Questa potrebbe essere una risposta molto tardiva, ma sono interessato a rispondere

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

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

Esempio puro Javascript

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

Uscite:

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

Answer 10

Soluzione ES6 che supporta:

• Diviso per spazio tranne che per le virgolette interne
• Rimozione delle virgolette ma non delle virgolette con escape barra rovesciata
• La citazione sfuggita diventa citazione

Codice:

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

Produzione:

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