Wie finde ich alle Vorkommen einer Zeichenfolge, der eine bestimmte Zeichenkette vorausgeht?

Question

Ich versuche, alle Übereinstimmungen aus einer EBML-Definition zu extrahieren, die in etwa wie folgt aussieht:

| + A track
|  + Track number: 3
|  + Track UID: 724222477
|  + Track type: subtitles
...
|  + Language: eng
...
| + A track
|  + Track number: 4
|  + Track UID: 745646561
|  + Track type: subtitles
...
|  + Language: jpn
...

Ich möchte alle Vorkommen von "Sprache: ???", wenn davor "Track type: subtitles" steht. Ich habe mehrere Varianten ausprobiert:

Track type: subtitles.*Language: (\w\w\w)

Ich verwende den Mehrzeilenmodifikator in Ruby, damit er mit Zeilenumbrüchen übereinstimmt (wie der 's'-Modifikator in anderen Sprachen).

Dies funktioniert, um die zuletzt Vorkommen, was im obigen Beispiel beispielsweise "jpn" wäre:

string.scan(/Track type: subtitles.*Language: (\w\w\w)/m)
=> [["jpn"]]

Das Ergebnis würde ich gerne sehen:

=> [["eng"], ["jpn"]]

Was wäre eine korrekte Regex, um dies zu erreichen?

Answer 1

Sie müssen Ihre Regex nicht gierig machen, indem Sie dies ändern:

.*

Zu diesem:

.*?

Ihr Regex passt ab dem ersten Vorkommen von Track type: subtitles bis zum letzten Vorkommen von Language: (\w\w\w) . Es funktioniert, wenn man es nicht gierig macht, weil es mit so wenigen Zeichen wie möglich übereinstimmt.

Answer 2

Sie müssen einen "Lazy Quantifier" anstelle von .* . Versuchen Sie dies:

/Track type: subtitles.*?Language: (\w\w\w)/m

Damit sollten Sie das erste Vorkommen von " Language: ??? " nach jedem " Track type: subtitles: ". Es würde jedoch verwirren, wenn eine Spur (vom Typ subtitles ) würde die Language Feld.

---

Eine andere Möglichkeit wäre, dies zu tun:

/^\| \+ (?:(?!^\| \+).)*?\+  Track type: subtitles$(?:(?!^\| \+).)*?^\|  \+ Language: (\w+)$/m

Sieht zwar etwas chaotisch aus, sollte aber das Problem mit der vorherigen Version beheben.

---

Eine sauberere Methode wäre die Tokenisierung der Zeichenfolge:

/^\| \+ ([^\r\n]+)|^\|  \+ Track type: (subtitles)|^\|  \+ Language: (\w+)/m

(Achten Sie auf die Anzahl der Leerzeichen)

Für jede Übereinstimmung prüfen Sie, welche der definierten Erfassungsgruppen vorhanden ist. Für jeden einzelnen Treffer kann nur eine Gruppe einen Wert haben.

• Wenn es sich um die erste Gruppe hat ein neuer Weg begonnen. Verwerfen Sie alle gespeicherten Informationen über den vorherigen Titel.
• Wenn es sich um die zweite Gruppe, ist der aktuelle Track vom Typ subtitles .
• Wenn es sich um die dritte Gruppe ist die Sprache dieses Titels zu finden.
• Wann immer Sie die Sprache eines Tracks kennen und wissen, dass er vom Typ subtitles melden Sie es.