提取包含某个单词的引号内的短语

如何解决提取包含某个单词的引号内的短语

我一直在寻找一种方法来查找段落中短语的最接近的引号或双引号。例如，对于短语 -> AAAAA:

I am "looking for" a way that doesn't break: "Lorem
ipsum\" AAAAA" in this case. Or this AAAAA case. Or this 'AAAAA' case.
Isn't this annoying?

输出将是：

"Lorem ipsum \" AAAAA"  |  AAAAA  |  'AAAAA'

我真的在寻找任何好的方法来做到这一点（正则表达式/解析器或任何有效的方法都会被接受）。

我试图从 How can I match a quote-delimited string with a regex? 中获得一些灵感，但这并不是我真正想要的。

我尝试过的一个例子是这个（然后使用代码过滤掉包含“AAAAA”的匹配项。尽管在句子末尾有另一个 ' 时失败了。：

(["'])(?:\\\1|[\s\S])*?(AAAAA)?(?:\\\1|[\s\S])*?\1|AAAAA

如果有帮助，我将在 Python 代码中使用此解决方案。

谢谢！

解决方法

你可以使用

(?xs)
(?<!')(?:'{2})*\B('\b[^'\\]*(?:(?:\\.|\b'\b)[^'\\]*)*') # Single quoted string literal
|                                                       # or
(?<!")(?:"{2})*\B("\b[^"\\]*(?:(?:\\.|\b"\b)[^"\\]*)*") # Double quoted string literal

参见regex demo。详情：

(?xs) - 详细和 dotall 模式
(?<!') - 左侧不允许立即出现 '
(?:'{2})* - 零个或多个 '' 子串
\B - 左边必须有字符串开头或非单词字符
('\b[^'\\]*(?:(?:\\.|\b'\b)[^'\\]*)*') - 第 1 组，单引号字符串文字模式：
- '\b - 一个 ' 后必须跟一个字符字符
- [^'\\]* - 除 ' 和 \ 之外的零个或多个字符
- (?:(?:\\.|\b'\b)[^'\\]*)* - 零次或多次重复
  - (?:\\.|\b'\b) - 一个 \ 后跟任意一个字符或一个 ' 被单词字符包围
  - [^'\\]* - 除 ' 和 \ 之外的零个或多个字符
- ' - 一个 ' 字符。
| - 或
(?<!")(?:"{2})*\B("\b[^"\\]*(?:(?:\\.|\b"\b)[^"\\]*)*") - 第 2 组：双引号字符串文字（类似于前面的单引号字符串文字模式）。

见Python demo：

import re
pattern = re.compile( r'''(?xs)
(?<!')(?:'{2})*\B('\b[^'\\]*(?:(?:\\.|\b'\b)[^'\\]*)*') # Single quoted string literal
|                                                       # or
(?<!")(?:"{2})*\B("\b[^"\\]*(?:(?:\\.|\b"\b)[^"\\]*)*") # Double quoted string literal
''')
 
text = "I am \"looking for\" a way that doesn't break: \"Lorem\nipsum\\\" AAAAA\" in this case. Or this AAAAA case. Or this 'AAAAA' case.\nIsn't this annoying?"
print(f"This is the text: {text}")
matches = [f'{x}{y}' for x,y in pattern.findall(text) if 'AAAAA' in f'{x}{y}']
print(matches)
# => ['"Lorem\nipsum\\" AAAAA"',"'AAAAA'"]