Dotaz: Regex na cestu k souboru v xml/cpp

[דניאל]

Potŕeboval bych poradit s regexem. Potřebuji v Qt, pomocí QRegularExpression, udělat regex, který mi v souborech najde řetězce, které jsou cesty "resource souborů" v Qt. Taková cesta má formát :/nějaká/cesta/soubor.abc. Potřebuji capture na část nějaká/cesta/soubor.abc. Problém je, že jednoduchý regex mi pak matchne v řetězci return ":/nějaká/cesta"; const char *a = ".txt"; část ":/nějaká/cesta"; const char *a = ".txt, což je špatně. Musím to tedy udělat přísněji. Cesta je buď v dvojitých uvozovkách, v jednoduchých uvozovkách, v html/xml tagu nebo v css v závorkách (např. url(:/bla/bla.abc)). A to je problém. Chtěl bych to mít jako jeden regex, kde by to bylo zkombinované. Nějak bych to nakombinoval s or operací, ale pak bych měl třeba na ":/moje/cesta.abc&t;/tag> match, což také nechci.

Nejdále jsem se dostal k regexu (["']:\/|>\s*?:\/|\(:)(.*?)(["']|\s*?<|\)) (můžete vyzkoušet třeba na regex101.com). Jenže to matchuje i to, co nechci.

":/moje/cesta.abc"

':/moje/cesta.abc'

<url>:/moje/cesta.abc</url>

<bla><a>:/moje/cesta1.abc<b>:/moje/cesta2.abc</bla>

neco: url(:/moje/cesta.abc)

":/moje/cesta.abc' // nechci match

<url>:/moje/cesta.abc' // nechci match

Odpovědi

[Kit]

Zkus s tím souborem pracovat jako s XML - tyto problémy odpadnou.

[דניאל]

Neodpadnou. Jsou to soubory vícero typů (xml/ui, cpp a css), snažím se o regex, který je obslouží všechny (protože v cpp stejně můžu mít kus css či xml/html jako řetězec), pokud možno s co nejméně falešnými výsledky. Ten regex, co jsem napsal, to více méně zvládne, ale je takový ošklivý, jestli by nešel zjednodušit. Ty poslední 2 matche, které nejsou chtěné, zatím tak hrozně nevadí, ale bylo by lepší, kdyby nebyly.

[NN]

Puzil bych negativni lookahead. Nekdy je lepsi hledat podminku ktera "nevyhovuje".

[ramlok0]

hledas 4 specificke podminky - zacatek/konce matche - tohle funguje:

(["]:\/)(.*?)(["])|([']:\/)(.*?)(['])|([>]:\/)(.*?)([<])|([(]:\/)(.*?)([)])

[דניאל]

Ano, matche jsou správné, ale zase tam je problém, že capture group pro tu cestu je pokaždé jiná.

[wamba]

Tak je lze pojmenovat. Navíc pravděpodobně půjde regexp složit s řetězců. Tak můžete napsat obdobu následujícího Perl one-lineru:

perl -nE '
    BEGIN {
        my $cesta = ":(?<cesta>.*?)";
        our $rx= join "|", map {sprintf $_, $cesta} (q{"%s"}, q{\'%s\'}, q{>%s<}, q{\(%s\)});
        say $rx 
    };
    say $+{cesta} while /$rx/g
' /tmp/pom.txt             

":(?<cesta>.*?)"|':(?<cesta>.*?)'|>:(?<cesta>.*?)<|\(:(?<cesta>.*?)\)
/moje/cesta.abc
/moje/cesta.abc
...

[דניאל]

Když tam ale mám stejné názvy, dostávám chybu "A subpattern name must be unique"

[wamba]

v Perlu to funguje, tak je třeba odzkoušet jestli to nefunguje i v Qt a nespoléhat se na implementaci na https://regex101.com/

[RM]

Já, pokud má být cílem minimalizovat nečitelnost (reg. výrazu), bych ty dva řádky napsal takhle (já ten sprintf nemusim;):

    $cesta = ":(?<cesta>.*?)";
    @maska=qw{ "cesta" 'cesta' >cesta< \(cesta\) };
    s/cesta/$cesta/ foreach @maska;
    $rx= join "|", @maska;

[ramlok0]

Ok, opraveno, ted je capture group vzdy stejna. ((["'])|(>)?|(\()?):\/(.*?)(\1|(?(1)<)|(?(1)\)))

[דניאל]

Teď to ale matchuje ty 2, které nechci, a naopak ty, co chci, to nematchuje. No asi to nebude tak jednoduché, jak jsem si myslel.

":/moje/cesta.abc'
<url>:/moje/cesta.abc'

[ramlok0]

Hm, me to funguje, nemas extra mezeru za posledni zavorkou?

[wamba]

u mě to taky funguje, ale selže to při: <url>:/cest/a)

[דניאל]

Opravdu to byla mezera na konci, omlouvám se. Teď je stále na těch 2 posledních ale match, s tím, že group 0 je :/ a ostatní jsou prázdné. Ale je to pokrok, děkuji.

[Charon]

OK, zkusil jsem pro Vás inovaci REGEX od RAMLOK.

((["'])|[>\(]):\/(.*?)(\2|[<\)])

Přínosem v řešení je dekompozice stop-tokenů od match-textu. Tím vznikne kratší zápis, který je i přehlednější. Čímž neříkám, že původní zápis byl špatný. Nuže, posuďte teď můj.

Bye.

[דניאל]

Tohle vypadá opravdu dobře, asi ho použiju. Regexem to asi lépe nepůjde a bez plnohodnotných parserů prostě nechtěný match bude moci nastat. To s tou \2 teď vidím poprvé, netušil jsem, že něco takového jde.