记事本++正则表达式分组捕获

Question

我有这样的文本文件：

ххх.prontube.ru
salo.ru
bbb.antichat.ru
yyy.ru
xx.bb.prontube.ru
zzz.com
srfsf.jwbefw.com.ua

尝试使用以下正则表达式删除所有子域：

Find:    .+\.((.*?)\.(ru|ua|com\.ua|com|net|info))$
Replace with: \1

收到：

prontube.ru
salo.ru
antichat.ru
yyy.ru
prontube.ru
zzz.com
com.ua

为什么最后一行变成了com.ua而不是jwbefw.com.ua？

- pnslg

Answer 1

这个不需要前后环视：

查找: [a-zA-Z0-9-.]+\.([a-zA-Z0-9-]+)\.([a-zA-Z0-9-]+)$ 替换为: \1\.\2

它找到至少有两个点和最后两个点之后只有字母、数字和破折号的内容；然后用最后两部分替换它。在我看来，更直观。

那个前导的xxx出了点问题。它似乎不是纯ASCII编码。为了回答这个问题，我假设这只是这个网站上有趣的东西，而不代表您的真实数据。

错误

有趣的是，在这里我之前有一个错误的答案获得了很多赞成票。所以我认为我应该保留它:

查找: [a-zA-Z0-9-]+\.([a-zA-Z0-9-]+)\.(.+)$ 替换为: \1\.\2

它只是查找带有至少两个句点的主机名，并将其替换为第一个句点后面的所有内容。

- jpmc26

Answer 2

.+部分尽可能匹配。尝试使用.+?，它会捕获最少的内容，允许com.ua选项进行匹配。

- Niet the Dark Absol

Answer 3

.+?\.([\w-]*?\.(?:ru|ua|com\.ua|com|net|info))$

这个答案仍然使用了原始问题所涉及的特定域名。由于某些顶级域名（TLD）中含有句点，并且您可以理论上包括多个子域，因此如果它适用于您的数据集，则在正则表达式中列出白名单的TLD是一个好主意。两个当前答案（从2013年起）都无法正确处理“xx.bb.prontube.ru”和“srfsf.jwbefw.com.ua”之间的区别。

以下是为什么此psnig的原始正则表达式未按预期工作的简要说明： + 是贪婪模式。 .+ 将一直向右滑动到行末捕获所有内容， 然后向后（向左）工作，从这里寻找匹配项：

(ru|ua|com\.ua|com|net|info)

使用 srfsf.jwbefw.com.ua，正则表达式引擎首先无法匹配a， 然后它将令牌向左移动一个位置以查看 "ua"。 此时，来自正则表达式的ua（第二个选项）是匹配项。

引擎不会继续寻找 "com.ua"，因为 ".ua" 满足了该要求。

Niet the Dark Absol 的答案告诉正则表达式要“懒惰”
.+? 将匹配任何字符（至少一个），然后尝试查找正则表达式的下一部分。如果失败，则它将推进令牌，.+ 匹配一个或多个字符，然后再次评估其余的正则表达式。
最终，.+? 将消耗：srfsf.jwbefw，然后匹配句点，然后匹配 com.ua。

但是添加问号会使第一个 .+ 变成懒惰模式，但随后导致 group1 匹配bb.prontube.ru而不是prontube.ru。

这是因为在bb之后第一个句号会匹配，然后在第一组(.*?)中匹配bb.prontube。在\.(ru|ua|com\.ua|com|net|info))$之前匹配.ru。

为了避免这种情况，将第三组从(.*?)更改为([\w-]*?)，这样就不会捕获。只有字母、数字或破折号。

结果的正则表达式:
.+?\.(([\w-])*?\.(ru|ua|com\.ua|com|net|info))$ 请注意，除了第一组外，您不需要捕获任何其他组。添加?:可以使TLD选项不捕获。

最后更改:
.+?\.([\w-]*?\.(?:ru|ua|com\.ua|com|net|info))$

- davidlc

Answer 4

搜索内容：.+?\.(\w+\.(?:ru|com|com\.au))
替换为：$1

看看上面的图片，正则表达式捕获指的是什么
这样你就不需要解释正则表达式了……

- Haji Rahmatullah