parsings cadeias de caracteres:extração de palavras e frases [JavaScript]

Question

Eu preciso de apoio frases exatas (entre aspas) ao contrário de uma lista separada por espaço dos termos.Assim, dividindo a respectiva seqüência de caracteres de espaço-personagem não é mais suficiente.

Exemplo:

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

Gostaria de saber se isso poderia ser conseguido com um único RegEx, em vez de realizar complexos de análise ou de divisão-e-reingressar operações.

Qualquer ajuda seria muito apreciada!

Answer 1

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

...retorna a matriz que você está procurando.
Note, no entanto:

• Delimitadora aspas são incluídas, portanto, pode ser removido com replace(/^"([^"]+)"$/,"$1") sobre os resultados.
• Os espaços entre as aspas vai ficar intacta.Assim, se existem três espaços entre lorem e ipsum, eles vão estar no resultado.Você pode corrigir isso através da execução replace(/\s+/," ") sobre os resultados.
• Se não há fechamento " depois de ipsum (i.é.um incorretamente cotados frase) você vai acabar com: ['foo', 'bar', 'lorem', 'ipsum', 'baz']

Answer 2

Tente isso:

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"]

Observação não há nenhum extra aspas duplas ao redor do lorem ipsum

Embora ele assume que a entrada tem as aspas no lugar certo:

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 não lidar com escapou aspas duplas (que é um 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

como cerca de,

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

em seguida, fazer um passe na saída para perder as aspas.

como alternativa,

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

em seguida, fazer uma passagem n saída perder o vazio captura.

Answer 4

Muito obrigado pela resposta rápida!

Aqui está um resumo das opções, para a posteridade:

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);

Para o registro, aqui está a abominação eu tinha vindo acima com:

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);

o delimitadora citações incluídas embora

Answer 6

Uma simples expressão regular irá fazer, mas deixe as aspas.exemplo:

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

editar:espancado por shyamsundar, desculpe pelo duplo resposta

Answer 7

Um que é fácil de entender e uma solução geral.Funciona para todos os delimitadores e 'juntar' caracteres.Também suporta associados' as palavras que são mais do que duas palavras....ie listas como

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

Um pouco como a resposta do CA, mas um pouco mais arrumada...

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 você está apenas querendo saber como criar a regex-se, você pode querer verificar para fora Expresso (Expresso link).É uma ótima ferramenta para aprender como construir expressões regulares, então você sabe que a sintaxe significa.

Quando você tiver construído a sua própria expressão, em seguida, você pode executar uma .match sobre ele.

Answer 9

Isso pode ser muito tarde, resposta, mas eu estou interessado em responder

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

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

Puro exemplo de javascript

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

Saídas:

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

Answer 10

ES6 solução de apoio:

• Dividir por espaço, exceto para dentro de aspas
• A remoção de aspas, mas não para a barra invertida escapou cotações
• Escapou citação tornar cotação

Código:

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

Saída:

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