Java中正则表达式匹配未转义逗号

Question

问题描述

我正在尝试使用String类提供的split()方法将a字符串拆分为单独的字符串。文档告诉我它会在匹配参数（即正则表达式）周围进行拆分。我使用的分隔符是逗号，但逗号也可以被转义。我使用的转义字符是斜杠 /（只是为了让事情变得更简单，不使用反斜杠，因为这需要在Java和正则表达式中的字符串字面量中进行额外的转义）。

例如，输入可能是这样的：

a,b/,b//,c///,//,d///,

输出结果应该是：

a
b,b/
c/,/
d/,

所以，应该在每个逗号处拆分字符串，除非该逗号前面有奇数个斜杠（1、3、5、7、...，∞），因为这意味着逗号被转义了。

可能的解决方案：

我的初步猜测是这样拆分的：

String[] strings = longString.split("(?<![^/](//)*/),");

但这是不允许的，因为Java不允许无限回溯组。我可以通过将*替换为{0,2000}来限制重复次数，例如：

String[] strings = longString.split("(?<![^/](//){0,2000}/),");

但是这仍然对输入有限制。因此，我决定将循环从反向引用组中去除，并得出了以下代码：

String[] strings = longString.split("(?<!/)(?:(//)*),");

然而，它的输出是以下字符串列表：

a
b,b (the final slash is lacking in the output)
c/, (the final slash is lacking in the output)
d/,

为什么第二个和第三个字符串中省略了斜杠，我该如何解决它（在Java中）？

- Franklin

Answer 1

您已经非常接近了。为了克服回顾错误，您可以使用以下解决方法：

String[] strings = longString.split("(?<![^/](//){0,99}/),")

- anubhava

---

与Bohemian的答案一样，如果输入有200个连续的斜杠，那么这种方法会出错。我正在寻找一种不限制任何连续斜杠数量的方法。 - Franklin

作为一种解决方法，“99”已经被提供，您可以将其设置为一个大数以涵盖所有实际可能性。在Java的正则表达式引擎中，您不能有可变长度的后行断言限制。此外，我很惊讶您选择忽略了您原始问题中的这个错误。 - anubhava

建议使用非捕获组，例如 (?<![^/](?://){0,99}/)。像这个解决方案一样，干净简单，尽管在 99 限制的情况下理论上并不涵盖所有情况。 - YoYo

Answer 2

您可以使用正向预查来实现拆分，以逗号前面的 偶数 个斜杠为例：

String[] strings = longString.split("(?<=[^/](//){0,999999999}),");

但是为了显示您想要的输出，您需要进一步去除剩余的转义符：

String longString = "a,b/,b//,c///,//,d///,";
String[] strings = longString.split("(?<=[^/](//){0,999999999}),");
for (String s : strings)
    System.out.println(s.replaceAll("/(.)", "$1"));

输出：

a
b,b/
c/,/
d/,

- Bohemian

---

不幸的是，如果输入有20个连续的斜杠，那么这将会出错，对吧？我已经提到过，我可以通过限制重复次数为2000来解决问题，但即使2000通常足够，这仍然会对输入产生限制。 - Franklin

我已经更改了正则表达式，以适应多达10亿个斜杠。这足够吗？ - Bohemian

我看到你编辑了你的回答。{0,999999999} 实际上是无限，但我不确定它是否保证能够工作，尽管Java编译器没有投诉。它是否真的可以用于999999998个连续斜杠的序列？ :)我同意这种解决方法肯定是可行的，但我希望找到一个不会限制这种重复的解决方案。在Java中是不可能实现的，还是只是非常困难？ - Franklin

是的，它会起作用。对于任何量词，都存在一个实现限制为2147483647（请参见Integer.MAX_VALUE）。据我所知，这个限制适用于所有正则表达式实现。 - Bohemian

Answer 3

如果您不介意使用正则表达式的另一种方法，我建议使用.matcher:

Pattern pattern = Pattern.compile("(?:[^,/]+|/.)+");
String test = "a,b/,b//,c///,//,d///,";
Matcher matcher = pattern.matcher(test);
while (matcher.find()) {
    System.out.println(matcher.group().replaceAll("/(.)", "$1"));
}

输出：

a
b,b/
c/,/
d/,

ideone演示

这种方法将匹配除分隔逗号以外的所有内容（有点相反）。优点是它不依赖于先行断言。

- Jerry

---

谢谢。这是一个优雅的解决方案。然而，我不清楚非捕获组的使用是否必要。 - Franklin

@Franklin 绝对需要一个组，这样组 [^,/]+|/. 就可以通过 + 重复。好吧，你可以使用 ([^,/]+|/.)，但那会在变量中存储一些东西，因此需要更多的内存。它并没有做什么特别的事情，但我更喜欢尽可能避免捕获组。如果你有很多事情要做，它们往往会放慢速度。 - Jerry

再次感谢Jerry。听起来很有道理。:-)那个组的另一个问题：我们不能只删除[^，/]部分的内部重复吗？（自从我玩正则表达式已经很长时间了...）我接受你的答案，因为它允许“无限”（当然不是真正的无限）数量的转义字符。您能告诉我这与String.split()相比是更快还是更慢吗？ - Franklin

@Franklin 噢，对不起。我不知道如何在 C# 中计时函数（暂时还不知道 ^^;)，但可能值得一提的是回顾子表达式通常很慢。 - Jerry

我的意思是：我们能不能只用 (?:[^,/]|/.)+ 替换 (?:[^,/]+|/.)+ 呢？或者说这样做有必要吗？ - Franklin

Answer 4

我喜欢正则表达式，但是在这里手动编写代码不是更容易吗？

boolean escaped = false;
for(int i = 0, len = s.length() ; i < len ; i++){
    switch(s.charAt(i)){
    case "/": escaped = !escaped; break;            
    case ",": 
      if(!escaped){
         //found a segment, do something with it
      }
      //Fallthrough!
    default:
      escaped = false;
    }
}
// handle last segment

- gexicide

---

我确实已经手动完成了这个任务，但现在我特别想寻找一个正则表达式的解决方案。 - Franklin