Przypuśćmy, że jestem długi ciąg zawierający Newlines i zakładki jako:

var x = "This is a long string.\n\t This is another one on next line.";

Jak możemy podzielić ten ciąg w żetony, używając wyrażenia regularnego?

Nie chcę używać .split(' '), ponieważ chcę się nauczyć REGEX JavaScript.

Bardziej skomplikowany ciąg może to być:

var y = "This @is a #long $string. Alright, lets split this.";

Teraz chcę wyodrębnić tylko poprawne słowa z tego ciągu, bez znaków specjalnych i interpunkcyjnych, tj. Chcę tego:

var xwords = ["This", "is", "a", "long", "string", "This", "is", "another", "one", "on", "next", "line"];

var ywords = ["This", "is", "a", "long", "string", "Alright", "lets", "split", "this"];
4
Nawaz 9 grudzień 2011, 10:32

6 odpowiedzi

Najlepsza odpowiedź

Oto przykład jsfiddle tego, o co zapytasz: http://jsfiddle.net/ayezutov/bjxw5/1/.

Zasadniczo kod jest bardzo prosty:

var y = "This @is a #long $string. Alright, lets split this.";
var regex = /[^\s]+/g; // This is "multiple not space characters, which should be searched not once in string"

var match = y.match(regex);
for (var i = 0; i<match.length; i++)
{
    document.write(match[i]);
    document.write('<br>');
}

Aktualizacja : Zasadniczo możesz rozszerzyć listę znaków separatorów: http://jsfiddle.net/ayezutov/BJXW5/2/.

var regex = /[^\s\.,!?]+/g;

Aktualizacja 2: Tylko litery przez cały czas: http://jsfiddle.net/ayezutov/BJXW5/3/

var regex = /\w+/g;
8
Alexander Yezutov 9 grudzień 2011, 07:16

Użyj \s+, aby tokenizować ciąg.

2
Prince John Wesley 9 grudzień 2011, 06:34

Exec może pętli przez mecze, aby usunąć znaki niewieczkowe (W).

var A= [], str= "This @is a #long $string. Alright, let's split this.",
rx=/\W*([a-zA-Z][a-zA-Z']*)(\W+|$)/g, words;

while((words= rx.exec(str))!= null){
    A.push(words[1]);
}
A.join(', ')

/*  returned value: (String)
This, is, a, long, string, Alright, let's, split, this
*/
2
kennebec 9 grudzień 2011, 07:00
var words = y.split(/[^A-Za-z0-9]+/);
1
Kai 9 grudzień 2011, 06:49

Oto rozwiązanie przy użyciu grup REGEX do tokenizacji tekstu za pomocą różnych typów żetonów.

Możesz przetestować kod tutaj https://jsfiddle.net/u3MVCA6Q/5/

/*
Basic Regex explanation:
/                   Regex start
(\w+)               First group, words     \w means ASCII letter with \w     + means 1 or more letters
|                   or
(,|!)               Second group, punctuation
|                   or
(\s)                Third group, white spaces
/                   Regex end
g                   "global", enables looping over the string to capture one element at a time

Regex result:
result[0] : default group : any match
result[1] : group1 : words
result[2] : group2 : punctuation , !
result[3] : group3 : whitespace
*/
var basicRegex = /(\w+)|(,|!)|(\s)/g;

/*
Advanced Regex explanation:
[a-zA-Z\u0080-\u00FF] instead of \w     Supports some Unicode letters instead of ASCII letters only. Find Unicode ranges here https://apps.timwhitlock.info/js/regex

(\.\.\.|\.|,|!|\?)                      Identify ellipsis (...) and points as separate entities

You can improve it by adding ranges for special punctuation and so on
*/
var advancedRegex = /([a-zA-Z\u0080-\u00FF]+)|(\.\.\.|\.|,|!|\?)|(\s)/g;

var basicString = "Hello, this is a random message!";
var advancedString = "Et en français ? Avec des caractères spéciaux ... With one point at the end.";

console.log("------------------");
var result = null;
do {
    result = basicRegex.exec(basicString)
    console.log(result);
} while(result != null)

console.log("------------------");
var result = null;
do {
    result = advancedRegex.exec(advancedString)
    console.log(result);
} while(result != null)

/*
Output:
Array [ "Hello",        "Hello",        undefined,  undefined ]
Array [ ",",            undefined,      ",",        undefined ]
Array [ " ",            undefined,      undefined,  " "       ]
Array [ "this",         "this",         undefined,  undefined ]
Array [ " ",            undefined,      undefined,  " "       ]
Array [ "is",           "is",           undefined,  undefined ]
Array [ " ",            undefined,      undefined,  " "       ]
Array [ "a",            "a",            undefined,  undefined ]
Array [ " ",            undefined,      undefined,  " "       ]
Array [ "random",       "random",       undefined,  undefined ]
Array [ " ",            undefined,      undefined,  " "       ]
Array [ "message",      "message",      undefined,  undefined ]
Array [ "!",            undefined,      "!",        undefined ]
null
*/
1
Mar Cnu 30 listopad 2017, 02:47

Aby wyodrębnić znaki słowo-tylko, używamy symbolu \w. Niezależnie od tego, czy będzie to dopasować znaki Unicode lub nie jest zależne od wdrożenia, a możesz Użyj tego odniesienia , aby zobaczyć, co jest w przypadku twojego języka / biblioteki.

Zobacz odpowiedź Aleksandra Yezutowa (aktualizacja 2), jak zastosować to do wyrażenia.

0
awdz9nld 24 czerwiec 2012, 09:57