apró regexp segítség kéne

Java

Egy bizonyos feladat kapcsán le kell cserélnem bizonyos kifejezéseket másra.
Ehhez lenne egy kis segítségre szükségem, ugyanis a következő regexp jelenlegi formájában működik,de akárhogy próbáltam bővíteni valahogy nem jött össze a dolog:

\#\{[\w\W&&[^\}]]*\}

erre működik:
\s#{attribute="\w+"="#{value="\w*"}"

erre nem (megáll az első }-nél):
\s#{attribute="\#\{\w+\\\}"="#{value="\w*"}"

Nem vagyok egy regexp guru, neten kerestem, lehet hogy én vagyok a béna, de sok mindent nem találtam.. 2 órája szenvedek..

valaki valamit tud hozzá tenni? akár tutorialok is..
(példafájl: http://boobekdev.fw.hu/TextModifier.java )

  • 2065 megtekintés

( gaborgabor | 2009. 09. 20., v – 16:11 )

egy jótanács: ha (java) programozásban elakadsz és kérdezel, akkor csatolj egy egyszerű (<100 sor) példaprogramot is, mert így szokás, és mert így jó ;)

szóval a programod így néz ki kb? 


String orig = "\\s#{attribute=\\#\\{\\w+\\\\\\}=#{value=\\w*}";
String regExp = "\\#\\{[\\w\\W&&[^\\}]]*\\}";
String output = orig.replaceAll(regExp, "YO");
System.out.println(output);

?

így
\sYO=YO
az output, ami jó (nem hozza a "(megáll az első }-nél)" bugot)

Köszi a gyors választ, és a tippet;)
úgynéz ki elírtam a "példámat"..
bemásoltam ide egy példaprogramot:

http://pastebin.com/m5e007211
(frissítve: itt a java fájl: http://boobekdev.fw.hu/TextModifier.java )

Az outputja nálam:

orig: #{attribute="\#\{\w+\\\}ez meg a YOban van"} #{value=\w*}
regexp: \#\{[\w\W&&[^\}]]*\}
output: YOez meg a YOban van"} YO

És azt szeretném, hogy az "ez meg a YOban van"}" rész még YOban legyen!:) Ez a problémám.

Lehet, hogy egyszerűbb lenne, ha leírnád, mire is szeretnéd használni, mert nem teljesen világos...
Soha nem dolgoztam javában, így nem is nagyon találkoztam osztályhalmaz-műveletekkel, épp ezért fogalmam sincs, hogy a 

[ab&&[^c]]

jelentése "a vagy (b és nem c)" vagy "(a vagy b) és nem c".
Abban viszont biztos vagyok, hogy a 

[\w\W]

bármire illeszkedik.

Ha leírod, pontosan mit is szeretnél keresni, esetleg alátámasztod egy-két elvárt input/output párossal, sokkal könnyebb válaszolni a kérdésre.

Rendben:
van ugye pl a html.. erre épül java EE-ben a jsp. Nos ez a körítés, lényegében annyi, hogy a HTML-ben általában csak betűk és számok helyezkednek el egy kifejezésben, addig jsp-ben nem.

Nos annyi a lényeg, hogy írok egy kis programot, és ahhoz egy minimális scriptnyelvet, és úgy terveztem, hogy a "#{" nyitótaggal lehetne kezdeni a szkriptet a kódban és "}"-el zárni. Nos egy a probléma, hogy a scriptben -a terveim szerint- szerepelni fog egy attributum mező (fentebb attribute) és a hozzátartozó value. Az attributum mező csak angolbetüket tartalmazhat, a value mező meg sok mást:) mint pl reguláris kifejezést, ami meg mindent tartalmazhat..
körülbelül így nézne ki:
#{attribute="xz"} #{value="xy"}
ahol xz helyébe csak angol betük, míg xy helyére akár ilyen szöveg is jöhet, mint pl "#{document.parser.id}".
És itt kezdődik a probléma, ugyanis nem tudom hogy hogyan kéne megoldani azt, hogy ne lépjen ki ennél a résznél... (idézőjelben sem bízok, mert az is lehet a kifejezésben)

Összefoglalva azt szeretném, hogy egy reguláris kifejezéssel szövegből kinyerni a #{xy="zv"} kifejezéseket, ahol xy betűkből áll, zv pedig bármiből.

Rengetegszer van szükségem hasonlóra, így egy egyszerű javaslat: használj olyan határoló-karaktersorozatot, ami más esetben elég valószínűtlen, hogy előfordul.
Legyen pl. {{...}} a forma. (Én egyébként általában hármat használok :)
Ha feltételezheted, hogy egymás után két nyitó vagy záró kapcsos zárójel nem fordul elő, a regex máris baromi egyszerű: 

\{\{.*?\}\}

Röviden: Javához írsz szkriptnyelvet és azt akarod, hogy ha egy stringen belül előfordul az amit egyébként escape karakternek használsz, akkor azt ne észlelje eszkép karakternek, igaz?

Általában a regexp-pel megírt programok mind elhasalnak a kivételes stringeknél. Tipikusan a kódot állapotgéppel olvasva sokkal egyszerűbb ezen esetek kezelése, de úgy sem egyszerű.

Egyszerűbb megoldás, ha a szkriptnyelved eszkép karakterét paraméterezhetővé teszed, és mindig olyat használsz, ami a célterületen nem fordul elő.

Egyébként a szkriptnyelved nem template nyelv igazából? Biztos, hogy saját nyelvre van szükséged? Leírhatnád, hogy mit csinálsz, mert mást is érdekelhet.

Úgy kezdődött, hogy egyetemen dolgozgatunk most éppen két projekten: egy kicsin és egy nagyon.
Én mostanában kezdem el írni a diplomamunkámat, és a "főnök", aki egy tanárom és a konzulensem feldobott pár hete egy nagyon jó diplomatémát, aminek nagyon örültem, aztán pár napra rá közölte, hogy lesznek még módosítások abban a projektben, amit a múltfélévben csináltam, kezdve onnan, hogy többnyelvűsítés, és nem biztos, hogy marad időm az eredeti diplomatervezetre.. (elméletben csak következő félévben van diplomafélévem, tehát végűlis nem hajt annyira a tatár). Ott mindössze csak 20-30 darab jsf oldalt kell többnyelvűsíteni, de előrelátóan gondolkoztam, és mivel tudom, hogy egy másik projekt (a fentebb említett nagy) is elkészül 1-2 hónap múlva, ezért úgygondoltam, hogy nem én gányolom a jsf oldalakat, hanem írok rá egy kis programot..

Első nekifutásra írtam egyet két nap alatt, ami az adott többnyelvűsítést tökéletesen megoldotta.. legeneráltam a default nyelvi fájlt, átírta a jsf-eket, generált egy lokalizációs beant.

Ezzel csak az volt a problémám, hogy elég gány, és csak egy feladatra jó.. ekkor kezdtem gondolkozni az általánosításon és azt hiszem újra feltaláltam a spanyolviaszt (mert nem kerestem sokat elötte), és elhatároztam, hogy megírom úgy a kódot, hogy az xml-ből olvassa ki a dokumentum leírását (vagyis, hogy hogyan kell értelmezni), aztán egy másik xml-ből pedig a műveletsort, amit végre kell hajtania.

és itt kell egy saját egyszerű -ha jól sejtem rosszul használtam a scriptnyelvet rá- nyelv amellyel meglehet jelölni egy-egy dokumentrész-t, és a műveletsorból hivatkozni rá..
pl egy egyszerű példa:

http://boobekdev.fw.hu/doc.xml

itt a "property" elementben használjuk, ahol azt próbálom leírni hogy egy html dokumentum tag-jei tartalmazhatnak attribútumokat, mint pl "img src=\"asd.png\" \> és itt névszerint kiszedni az src attribútumot és értékét.

azonkívül a műveletsorban hivatkozhatunk így, h
http://boobekdev.fw.hu/operations.xml (itt valamit elrontottam, de a forráson látszik szerintem, hogy mit akarok mondani)

és persze regexp használata bárhol megengedett..
Ehhez akarok írni egy "nyelvet",
de ha tudsz mondani valami szebb/jobb megoldást akár az egészre, akár erre a részre, akkor ne kímélj!:)

Két dolgot nem értek.

Az első: ha jól sejtem, xml-fájlokat dolgozol fel. Nem lenne egyszerűbb XPath-szal keresni, egyszerűbb, nem kell mindenféle kivételekkel, határolókarakterek kerülgetésével szenvedni.

A második: biztos vagy abban, hogy tudod, miket írsz le egy-egy regexben?
A 

<!--[\w\W&&[^\*/]]*-->

egyenértékű ezzel: 

<!--[^*/]*-->


A 

"[\w\W&&[^"]]*"

hasonlóképp ezzel: 

"[^"]*"

A második eset szebben (és általában optimálisabban): 

".*?"


Az elsőt viszont nem is értem. Ha HTML-commenteket akarsz vele keresni, akkor simán: 

<!--.*?-->


Miért ne szerepelhetne commentben csillag vagy perjel?

A harmadik viszont húzós. A HTML-tagekre így nem kereshetsz, csak ha biztosan tudod, hogy egyik attribútum értéke sem tartalmaz nagyobbjelet. Erre a megoldás:

<[^/](?:[^">]+|".*?")+>


Ha esetleg aposztróf is szerepelhet attribútum értékhatárolóként:

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


Azért érdemes a tagnyitó után élből egy nem-perjelre keresni, mert a zárótagben úgysem lesz attribútum, illetve nem kezdődhet idézőjellel sem, és ahogy elnézem, zárótagre nincs szükséged.

Az utolsó regexed nem is értem, miért nincsenek escape-elve a kapcsos zárójelek, míg a hashmark igen, és még mindig nem jöttem rá, mire is akarsz keresni :)
(egy kis szerkesztés: közben rájöttem, hogy vélhetően javában a hashmark önmagában commentet jelöl)

Az összes fenti kifejezés csak singleline (dot-matches-all) módban működik!

"Erre kidolgoztam egy megoldást."
És ezt minek értelmezi?
/*
"valami */"
*/
(Az általam említett probléma természetesen nem ezt fedi, mert a */-nek emlékeim szerint a sor végén kell állnia.)

Egyébként kezdem érteni, mit akarsz csinálni. Majd ha egy kicsit több időm lesz, előkeresem egy hasonló kódomat, hogy lásd mikbe fogsz belefutni :)

Azt megköszönném majd! Akár küldheted emailre is, ha megvan! Ígérem csak személyes engedélyeddel használok fel kódrészletet:)
amúgy amit te írtál azt nem az én értelmezőm értelmezi hibásan hanem te!
Ugyanis a fenti kódban a "valami */-al véget ér a komment!:)
Mivel a kommenten belűl sehol sem értelmezik az idézőjeleket..
mail címem: bkanyo kuk@c gmail pont com

Nem feltétlenül hasal el a regex, legfeljebb nem minden esetben optimális. (Engem nem érdekel, bármire képes vagyok regexet használni :)

Semmi gond pl., ha a backslash minden esetben escape-ként értelmezendő: 

\{\{(?:\\.|.)*\}\}

Ennek két szépséghibája van: csak singleline módban megy, illetve feleslegesen terheli a motort. Persze némiképp bonyolultabban máris jóval gyorsabb: 

\{\{(?:[^\\]+|\\.)*\}\}

Az igazán optimális természetesen az lenne, ha csak a két záró kapcsos előtt kéne vizsgálni, hogy nem áll-e páratlan számú backslash, de ez macerás, mert a következőn szerintem minden második regexmotor elhasal (pl. a perl is csak fix karakterhosszra enged utóvizsgálatot): 

\{\{.*?(?<=[^\\](?:\\\\)*)\}\}

echo '#{attribute="\#\{\w+\\\}ez meg a YOban van"} #{value="\w*"}' |perl -ne 'print "Attrib:$1\nValue:$2\n" if m/#\{attribute="(.*)"\}\s+#\{value="(.*)"\}/'
kimenet:
Attrib:\#\{\w+\\\}ez meg a YOban van
Value:\w*

orig: #{attribute="\#\{\w+\\\}ez meg a YOban van"} #{value="\w*"}
regexp: #\{attribute="(.*)"\}\s+#\{value="(.*)"\}/

Pontosabban ?
Az jo -e neked amit most ez a perl csinal ?

Amit nem lehet megirni assemblyben, azt nem lehet megirni.

úgy látom igen, köszönöm!
Csak ennyi lett volna a problémám szerintem, de ezt a kódot nem teljesen értem sajnos!
A print az oké, de ami utána következik azt nem tudom, hogy pontosan hogy és mi.

A problémát megpróbálom még egyszer körülírni:
- adott egy sztring.
- a sztring tartalmazhat egyszerre reguláris-kifejezéseket és az általam definiált kifejezéseket.
- először a sztringet odavetem az én feldolgozókódomnak, ami aztán szétszabdalja a sztringet reguláris-kifejezésekké és általam definiált kifejezésekké.

Az hogy milyen karakterrel választom el a saját utasításokat a regexp-ektől az lényegében mindegy, bár olyat akartam használni, amit már a regexp is használ, hogy ne kelljen még több escape karaktert használni.

Ha atirom javara az segit ?

echo '#{attribute="\#\{\w+\\\}ez meg a YOban van"} #{value="\w*"}'|
Ez ugye betolja az input stringet az stdin -re

perl -ne
Ez perl interpretert hivja:
-e vedd a kodot a paracssorbol
-n tegy a kod kore egy while ciklust, ami a bemenet minden sorara vegrehajtja a magot

print "Attrib:$1\nValue:$2\n"
Ugye ez a kiiras, a $1 az elso zarojelbeli dolgok, a $2 a masodik zarojelek kozott levo regularis kifejezesre illeszakedo minta darab.

if
A tole balra levo dolgot akkor hajtja vegre, ha a tole jobbra levo kifejezes igaz, esetunkben, ha a minta illeszkedik akkor kiirunk.

m/#\{attribute="(.*)"\}\s+#\{value="(.*)"\}/'
Regularis minta illesztes perlben (m//), ha nem adom meg mire akor "$_" -ban levo sztingre ($_ =~ m// ), ami esetunkben a bemenet egy-egy sora.

Amit nem lehet megirni assemblyben, azt nem lehet megirni.