Faire correspondre un texte multiligne à l'aide d'une expression régulière

Question

J'essaie de faire correspondre un texte de plusieurs lignes en utilisant Java. Lorsque j'utilise la fonction Pattern avec la classe Pattern.MULTILINE je suis en mesure d'établir une correspondance, mais pas avec le modificateur (?m).

Le même schéma avec (?m) et en utilisant String.matches ne semble pas fonctionner.

Je suis sûr qu'il me manque quelque chose, mais je ne sais pas quoi. Je ne suis pas très doué pour les expressions régulières.

Voici ce que j'ai essayé

String test = "User Comments: This is \t a\ta \n test \n\n message \n";

String pattern1 = "User Comments: (\\W)*(\\S)*";
Pattern p = Pattern.compile(pattern1, Pattern.MULTILINE);
System.out.println(p.matcher(test).find());  //true

String pattern2 = "(?m)User Comments: (\\W)*(\\S)*";
System.out.println(test.matches(pattern2));  //false - why?

Answer 1

D'abord, vous utilisez les modificateurs en partant d'une hypothèse incorrecte.

Pattern.MULTILINE ou (?m) indique à Java d'accepter les ancres ^ et $ pour qu'ils correspondent au début et à la fin de chaque ligne (sinon, ils ne correspondent qu'au début et à la fin de la chaîne entière).

Pattern.DOTALL ou (?s) indique à Java d'autoriser le point à correspondre aux caractères de nouvelle ligne, également.

Deuxièmement, dans votre cas, la regex échoue parce que vous utilisez l'attribut matches() qui s'attend à ce que l'expression rationnelle corresponde à l'objet de l'enquête. tout le site ce qui, bien sûr, ne fonctionne pas puisqu'il reste quelques caractères après (\\W)*(\\S)* ont correspondu.

Donc si vous cherchez simplement une chaîne qui commence par User Comments: utiliser le regex

^\s*User Comments:\s*(.*)

avec le Pattern.DOTALL option :

Pattern regex = Pattern.compile("^\\s*User Comments:\\s+(.*)", Pattern.DOTALL);
Matcher regexMatcher = regex.matcher(subjectString);
if (regexMatcher.find()) {
    ResultString = regexMatcher.group(1);
} 

ResultString contiendra alors le texte après User Comments:

Answer 2

Cela n'a rien à voir avec le drapeau MULTILINE ; ce que vous voyez, c'est la différence entre l'affichage de l'écran de l'ordinateur et celui de l'écran de l'ordinateur. find() et matches() méthodes. find() réussit si une correspondance est trouvée n'importe où dans la chaîne cible alors que matches() attend de la regex qu'elle corresponde à la chaîne entière .

Pattern p = Pattern.compile("xyz");

Matcher m = p.matcher("123xyzabc");
System.out.println(m.find());    // true
System.out.println(m.matches()); // false

Matcher m = p.matcher("xyz");
System.out.println(m.matches()); // true

En outre, MULTILINE ne signifie pas ce que vous pensez. De nombreuses personnes semblent en conclure que vous devez utiliser ce drapeau si votre chaîne cible contient des nouvelles lignes, c'est-à-dire si elle contient plusieurs lignes logiques. J'ai vu plusieurs réponses à cet effet sur SO, mais en fait, ce drapeau ne fait que modifier le comportement des ancres, ^ et $ .

Normalement ^ correspond au tout début de la chaîne cible, et $ correspond à la toute fin (ou avant une nouvelle ligne à la fin, mais nous laisserons cela de côté pour l'instant). Mais si la chaîne de caractères contient des nouvelles lignes, vous pouvez choisir pour ^ et $ pour correspondre au début et à la fin de n'importe quelle ligne logique, et pas seulement au début et à la fin de la chaîne entière, en activant le drapeau MULTILINE.

Alors oublie ce que MULTILINE signifie et souviens-toi juste de ce qu'il fait : modifie le comportement de la ^ et $ ancres. DOTALL était à l'origine appelé "single-line" (et l'est toujours dans certaines versions, notamment Perl et .NET), et il a toujours suscité la même confusion. Nous avons de la chance que les développeurs de Java aient choisi le nom le plus descriptif dans ce cas, mais il n'y avait pas d'alternative raisonnable pour le mode "multiligne".

En Perl, où toute cette folie a commencé, ils ont admis leur erreur et se sont débarrassés des modes "multiline" et "single-line" dans les regex de Perl 6. Dans vingt ans, le reste du monde aura peut-être suivi le mouvement.

Answer 3

str.matches(regex) se comporte comme Pattern.matches(regex, str) qui tente de faire correspondre la séquence d'entrée entière avec le modèle et renvoie

true si, et seulement si, le tout le site la séquence d'entrée correspond au modèle de ce matcheur

Considérant que matcher.find() tente de trouver la sous-séquence suivante de la séquence d'entrée qui correspond au motif et retourne

true si, et seulement si, un sous-séquence de la séquence d'entrée correspond au motif de ce matcheur

Le problème se situe donc au niveau de la regex. Essayez ce qui suit.

String test = "User Comments: This is \t a\ta \ntest\n\n message \n";

String pattern1 = "User Comments: [\\s\\S]*^test$[\\s\\S]*";
Pattern p = Pattern.compile(pattern1, Pattern.MULTILINE);
System.out.println(p.matcher(test).find());  //true

String pattern2 = "(?m)User Comments: [\\s\\S]*^test$[\\s\\S]*";
System.out.println(test.matches(pattern2));  //true

Ainsi, en résumé, le (\\W)*(\\S)* dans votre première regex correspond à une chaîne vide comme * signifie qu'il y a zéro ou plusieurs occurrences et que la véritable chaîne correspondante est User Comments: et non pas la chaîne entière comme on pourrait s'y attendre. La seconde échoue car elle essaie de faire correspondre la chaîne entière mais elle ne peut pas car \\W correspond à un caractère non verbal, c'est-à-dire [^a-zA-Z0-9_] et le premier caractère est T un caractère de mot.

Answer 4

Le drapeau multiligne indique à regex de faire correspondre le motif à chaque ligne plutôt qu'à la chaîne entière ; pour vos besoins, un joker suffira.