是

Question

我想做一些像这个问题中提出的建议 - 但是在更一般的层面上： Regular Expression for Acronyms

输入示例：

“在一组开创性的论文中， Feddersen和Pesendorfer （1996年，1999年），以后 FP ，合并......已被标记为” swing选民的诅咒，“从现在开始 SVC 。预测......开始使用静态应用安全测试的最佳方式（ SAST ）工具..来自拉丁语 ante meridiem （ AM ）含义在中午之前......“

结果：

['Feddersen and Pesendorfer'，'FP']
['摇摆选民的诅咒'，'SVC']
['静态应用安全测试'，'SAST']
['ante meridiem'，'A.M。']

当然有很多可能的'信号'的首字母缩略词。我在下面列出了一些。：

括号： ...（...）
...此后......
...从现在开始......
......之后......
......简称......
......随后......
......因此......
......从此......
......以下......
等

也许有两个正则表达式是有益的;一个用于括号，一个用于所有其他，因为它们的结构差别很大。

只专注于首字母缩略词，即。忽略由 SOund Navigation And Ranging 创建的声纳等案例。

是否可以用正则表达式进行这样的思考，如果是这样的话，你会怎么做呢？

Answer 1

是

有可能。我首先定义描述单词系列后面跟着缩写词定义（SOWFBAAD）的所有单独规则，然后在define语句中将这些规则拼接在一起。

例如，如果您正在寻找电子邮件地址，您可以使用此Perl兼容正则表达式（PCRE），它首先定义RFC 5322中的所有规则，然后查找看起来像电子邮件地址的内容：

(?x)
    (?(DEFINE)

        (?<addr_spec> (?&local_part) @ gbase\.tt )
        (?<local_part> (?&dot_atom) | (?&quoted_string) | (?&obs_local_part) )
        (?<domain> (?&dot_atom) | (?&domain_literal) | (?&obs_domain) )
        (?<domain_literal> (?&CFWS)? \[ (?: (?&FWS)? (?&dtext) )* (?&FWS)? \] (?&CFWS)? )
        (?<dtext> [\x21-\x5a] | [\x5e-\x7e] | (?&obs_dtext) )
        (?<quoted_pair> \\ (?: (?&VCHAR) | (?&WSP) ) | (?&obs_qp) )
        (?<dot_atom> (?&CFWS)? (?&dot_atom_text) (?&CFWS)? )
        (?<dot_atom_text> (?&atext) (?: \. (?&atext) )* )
        (?<atext> [a-zA-Z0-9!#$%&''*+/=?^_`{|}~-]+ )
        (?<atom> (?&CFWS)? (?&atext) (?&CFWS)? )
        (?<word> (?&atom) | (?&quoted_string) )
        (?<quoted_string> (?&CFWS)? "" (?: (?&FWS)? (?&qcontent) )* (?&FWS)? "" (?&CFWS)? )
        (?<qcontent> (?&qtext) | (?&quoted_pair) )
        (?<qtext> \x21 | [\x23-\x5b] | [\x5d-\x7e] | (?&obs_qtext) )

        # comments and whitespace
        (?<FWS> (?: (?&WSP)* \r\n )? (?&WSP)+ | (?&obs_FWS) )
        (?<CFWS> (?: (?&FWS)? (?&comment) )+ (?&FWS)? | (?&FWS) )
    #   (?<ccontent> (?&ctext) | (?&quoted_pair) )
        (?<ccontent> (?&ctext) | (?&quoted_pair) | (?&comment) )
        (?<ctext> [\x21-\x27] | [\x2a-\x5b] | [\x5d-\x7e] | (?&obs_ctext) )

        # obsolete tokens
        (?<obs_domain> (?&atom) (?: \. (?&atom) )* )
        (?<obs_local_part> (?&word) (?: \. (?&word) )* )
        (?<obs_dtext> (?&obs_NO_WS_CTL) | (?&quoted_pair) )
        (?<obs_qp> \\ (?: \x00 | (?&obs_NO_WS_CTL) | \n | \r ) )
        (?<obs_FWS> (?&WSP)+ (?: \r\n (?&WSP)+ )* )
        (?<obs_ctext> (?&obs_NO_WS_CTL) )
        (?<obs_qtext> (?&obs_NO_WS_CTL) )
        (?<obs_NO_WS_CTL> [\x01-\x08] | \x0b | \x0c | [\x0e-\x1f] | \x7f )

        # character class definitions
        (?<VCHAR> [\x21-\x7E] )
        (?<WSP> [ \t] )
    )
    ((?&addr_spec))

当然这个表达式确实使用了递归，这种递归在许多正则表达式中都不能很好地发挥作用。要解决这个问题，你可以简单地注释掉ccontent并取消注释另一个ccontent注释，只要你接受该表达式将不再找到递归注释。

然而

单独构造一个正则表达式可能会给你留下一个难以读取，调试或修改的表达式。因此，您可能最好循环浏览SOWFBAAD定义列表。

正则表达式：如何从文本中查找和提取首字母缩略词和相应的首字母缩略词定义？

1 个答案:

是

然而