Início / coding / Perguntas / 79182638
Accepted
Hovercouch
Asked: 2024-11-13 04:32:09 +0800 CST

"O melhor truque de Regex" em Raku

  • 772

O Melhor Truque de Regex é sobre escrever regexes que correspondem, r1mas não r2. O exemplo que eles dão é um regex que corresponde a Tarzan(e "Tarzan and Jane"), mas não "Tarzan". Depois de passar por algumas coisas que não funcionam, eles dão o "melhor truque de regex de todos os tempos":

"Tarzan"|(Tarzan)

Isso supostamente corresponde à "string ruim" primeiro, pulando a string boa, mas não incluindo a string ruim em um grupo de captura. Se apenas a string boa aparecer, nós correspondemos nela por último e a incluímos no grupo de captura.

Uma desvantagem do "melhor truque de regex" é que isso ainda corresponde a "Tarzan" , mesmo que não o capture . Você não pode, por exemplo, usá-lo em um condicional sem algum boilerplate extra?

Isto é baseado em regexes estilo PCRE. O Raku usa uma notação regex completamente diferente. É possível fazer o truque de forma mais simples? Idealmente, isto deveria ser possível:

> ('"Tarzan"', 'Tarzan', '"Tarzan and Jane"') <<~~>> /some-regex/
(Nil ｢Tarzan｣ ｢Tarzan｣)
regex

4 respostas

  1. Best Answer

    Primeiro, um equivalente direto, mas idiomático, de "O Melhor Truque de Regex" no Raku:

    say ( .[0] for ( « '"Tarzan"' Tarzan '"Tarzan and Jane"' » «~~» / '"Tarzan"' | (Tarzan) / ) )

# (Nil ｢Tarzan｣ ｢Tarzan｣)

    Notas:

    • Vi que você estava familiarizado com a construção «op» do operador meta do Raku para mapear sucintamente a correspondência em várias entradas. Usei isso mais a construção « ... » de citação de termos do Raku para especificar sucintamente a entrada de correspondência.
    • Eu escrevi '"Tarzan"'em vez de "Tarzan"no padrão regex. Ao contrário dos dialetos regex mais antigos, o Raku trata o código da forma "foo"em um regex como representando a string de três caracteres foo. Uma maneira de representar a string de cinco"foo" caracteres é escrever '"foo"'.
    • Capturas de grupo no Raku são numeradas de zero, não de um, então a (Tarzan)captura de grupo é captura zero . Portanto, o código says .[0]not .[1].

    é possível fazer o truque de forma mais simples?

    Um passo que pode ser considerado na direção certa é:

    say ( $_ for ( « '"Tarzan"' Tarzan '"Tarzan and Jane"' » «~~» / '"Tarzan"' <()> | <(Tarzan)> / ) )

# (｢｣ ｢Tarzan｣ ｢Tarzan｣)

    Notas:

    • <(...)>delimita explicitamente a captura de nível superior, estreitando-a em relação à captura de nível superior padrão (que captura tudo o que corresponde).
    • <()>significa que a captura de nível superior está vazia . Não é Nil, mas pode ser suficiente dependendo das suas necessidades.
    • <(Tarzan)>especifica a captura de nível superior (em contraste com (Tarzan)o que especifica a primeira subcaptura ).

    A especificação original para regexes Raku incluía alguns recursos relevantes que ainda não foram implementados. É possível que eles sejam implementados um dia e forneçam uma solução mais simples.

    Veja também a resposta de @tshiono.

    Veja também a excelente resposta de @alatennaub no reddit .

    • 8

  2. Como você mencionou, o Raku usa uma notação regex completamente diferente. Você poderia tentar:

    > ('"Tarzan"', 'Tarzan', '"Tarzan and Jane"') <<~~>> / <!after \">Tarzan | Tarzan<!before \"> /

    Resultado:

    (Nil ｢Tarzan｣ ｢Tarzan｣)
    • <!after \">denota a afirmação negativa de olhar para trás.
    • <!before \">denota a afirmação de previsão negativa.
    • O caractere de aspas duplas deve ser escapado.
    • A alternância |pode ser cercada por espaços em branco.
    • 6

  3. Idealmente isso deveria ser possível:

    > ('"Tarzan"', 'Tarzan', '"Tarzan and Jane"') <<~~>> /some-regex/ 
(Nil ｢Tarzan｣ ｢Tarzan｣)

    Isso é perto o suficiente?

    > (('"Tarzan"', 'Tarzan', '"Tarzan and Jane"') <<~~>> / '"Tarzan"' || ('Tarzan') /)»[0] 
(Nil ｢Tarzan｣ ｢Tarzan｣)

    Ou, um pouco mais claro na minha opinião:

    > (['"Tarzan"', 'Tarzan', '"Tarzan and Jane"'] «~~» / '"Tarzan"' || ('Tarzan') /)»[0] 
(Nil ｢Tarzan｣ ｢Tarzan｣)

    Ou se você for usar o idioma "extrair a primeira captura de uma correspondência" o tempo todo, você pode até mesmo definir a composição de ~~e [0]como um novo operador (aqui,~~[0]

    my &infix:<~~[0]> = *[0] ∘ &[~~]; 
('"Tarzan"', 'Tarzan', '"Tarzan and Jane"') «~~[0]» / '"Tarzan"' || ('Tarzan') /;
# Returns (Nil ｢Tarzan｣ ｢Tarzan｣)

    Mas isso provavelmente é um exagero! (E também tem que estar em uma linha no REPL devido a um bug).

    (Tudo isso se baseia na excelente resposta do reddit de @alatennaub que @raiph já mencionou. Confira essa resposta para ver maneiras de evitar a correspondência com `"Tarzan"', o que evita a necessidade de selecionar a primeira captura)

    • 5

  4. Como sempre, aprendi muito com @raiph e esta resposta é um pequeno refinamento da dele, espero que com um pouco mais de espaço:

    my @tests = [ '"Tarzan"', 'Tarzan', '"Tarzan and Jane"' ];

my regex reg { 
    '"' ~ '"' 'Tarzan'              # non-capturing when double quoted
    |                               # otherwise
    ('Tarzan')                      # capture with ()  
} 
 
say .<reg>[0] for ( @tests «~~» /<reg>/ );

    Notas:

    1. pessoalmente fiquei um pouco confuso com o « ... »termo citação
    2. parece mais limpo definir o @testse regexseparadamente
    3. Gosto do espaço para respirar e dos comentários abundantes de @alatennaub
    4. Eu uso o ~til para equilibrar a correspondência de ambos"
    • 2

relate perguntas