正则表达式能否匹配引号之外的所有单词？

Question

我最近为我的文学课写了一篇文章，我的老师明确规定了一个单词限制，不包括引用。我想，为什么不写一个脚本来计算呢？当然，我可以通过阅读整个文本并忽略引号内的单词来完成这项工作，但我觉得使用正则表达式和Array.count会更简洁。由于我对正则表达式知之甚少，有人可以帮助我吗/告诉我是否可以使用正则表达式实现？ 简而言之：使用正则表达式匹配文本中所有在引号外的单词（或空格，无所谓），并计算结果数组中的项目数。

- Bluefire

---

除了引用之外，您的文本中是否有任何引号？ - Cratylus

引号是否可以被转义或不平衡？ - anubhava

@Cratylus 不，所有在双引号和单引号内的文本都是引用。 - Bluefire

@anubhava，你的意思是未关闭吗？ - Bluefire

@Bluefire 是的，没错。 - anubhava

为什么不编写一个语言解析器，就像他们用于C++一样？ - user557597

Answer 1

根据要求，可以使用史上最强正则表达式技巧。

"[^"]*"|(\w+)

统计第一个捕获组的匹配次数。

\w+ 匹配一个或多个单词字符。

请查看regex101.com上的测试

---

也跳过单引号字符串：

"[^"]*"|'[^']*'|(\w+)

在regex101上测试

- Jonny 5

Answer 2

一般的解决方案可能会很困难，因为有些作品将包含多段引用，第一段没有闭合引号，而第二段以引号开头。 因此，在整个文档范围内匹配引号会很难。

另一方面，您可以逐段进行，并累计每个段落的非引用字数。 当然，仍然会有一些特殊情况可能会破坏这种方法（例如一个段落包含标点符号列表，包括引号）。

在Perl中，假设某个getWordCount子程序存在于某个地方，并且假设您已经将文档分割成名为@paragraphs的段落数组，则可能如下所示：

my $wordCount = 0;
foreach my $paragraph (@paragraphs) {
    $paragraph =~ s/\".*?\"/g; # remove all quotation marks which have a matching quotation mark
    $paragraph =~ s/\".*$/g; # remove quotation marks which go to the end of the paragraph
    $wordCount += getWordCount($paragraph);
}
print "There are $wordCount words outside of quotations, maybe!";

- Derek Kurth

Answer 3

使用 PCRE (或者 Perl) 很容易实现：

".*?"(*SKIP)(?!)|(?<!\w)'.*?'(?!\w)(*SKIP)(?!)|[\w']+

使用g修饰符，并在处理多行引用时使用s。

演示

这里是可读性更强的x版本：

  ".*?"              (*SKIP)(?!)
| (?<!\w)'.*?'(?!\w) (*SKIP)(?!)
| [\w]+

第一部分将匹配引号 " 或 ' 之间的所有内容并将其丢弃（(*SKIP)(?!)）。第二部分将匹配所有单词（在此示例中，我已包括 ' 作为单词的一部分）。' 字符仅在单词的开头/结尾处被视为引号边界，以便您可以使用像 isn't 这样的东西。

可能的修改：

• 要将文本 isn't 视为两个单词，请将 [\w']+ 替换为 \w+。
• 要将类似于 mother-in-law 的文本视为一个单词而不是三个单词，请将 [\w']+ 替换为 [-\w']+。

你懂的 ;)

以下是使用此正则表达式的完整 Perl 脚本：

#!/usr/bin/env perl
use strict;
use warnings;

$_ = do { local $/; <> };
print scalar (() = /".*?"(*SKIP)(?!)|(?<!\w)'.*?'(?!\w)(*SKIP)(?!)|[\w']+/gs), "\n";

执行它，将包含要计算单词数的文本的文件或STDIN传递给它，它将在STDOUT上输出单词计数。

- Lucas Trzesniewski

---

@Bluefire 好的，我马上处理。 - Lucas Trzesniewski

不好意思，忽然意识到如果考虑 ' ，那么撇号也会被计算在内。 - Bluefire

@Bluefire，这是第二个版本，它更好（它不会将“isn't”视为一个单词）。如果您想将“isn't”视为两个单词，请使用\w+替换[\w']+。 - Lucas Trzesniewski

Answer 4

这样做会更好：

字符总数 - 引号内字符的总和

您可以使用此正则表达式查找所有“引用”字符串：\"[^"]*\"

- Jeffrey Wieder