php regex per rilevare il testo tra parentesi ignorando parentesi nidificate

Question

Sto cercando di fare un lavoro php regex che analizza una stringa di testo in parentesi, ignorando possibili parentesi nidificate:

Diciamo che voglio

Lorem ipsum [1. dolor sit amet, [consectetuer adipiscing] elit.]. Aenean commodo ligula eget dolor.[2. Dolor, [consectetuer adipiscing] elit.] Aenean massa[3. Lorem ipsum] dolor. 

per tornare

[1] => "dolor sit amet, [consectetuer adipiscing] elit." 
[2] => "Dolor, [consectetuer adipiscing] elit." 
[3] => "Lorem ipsum" 

Finora ho ottenuto

'/\[([0-9]+)\.\s([^\]]+)\]/gi' 

ma si interrompe quando si verificano parentesi annidate. See demo

Come posso ignorare le parentesi interne dal rilevamento? Thx in anticipo!

Answer 1

È possibile utilizzare questo modello che cattura il numero dell'articolo e il testo seguente in due gruppi diversi. Se sei sicuro che tutti i numeri sono unici, si può costruire la matrice associativa descritto nella sua domanda con un semplice array_combine:

$pattern = '~\[ (?:(\d+)\.\s)? ([^][]*+ (?:(?R) [^][]*)*+) ]~x'; 

if (preg_match_all($pattern, $text, $matches)) 
    $result = array_combine($matches[1], $matches[2]); 

dettagli del modello:

~  # pattern delimiter 
\[ # literal opening square bracket 
(?:(\d+)\.\s)? # optional item number (*) 
(    # capture group 2 
    [^][]*+   # all that is not a square bracket (possessive quantifier) 
    (?:    # 
     (?R)  # recursion: (?R) is an alias for the whole pattern 
     [^][]*  # all that is not a square bracket 
    )*+    # repeat zero or more times (possessive quantifier) 
) 
]     # literal closing square bracket 
~x # free spacing mode 

(*) nota che il La parte numero articolo deve essere facoltativa se si desidera essere in grado di utilizzare la ricorsione con (?R)(ad esempio [consectetuer adipiscing] non ha un numero di articolo.). Questo può essere problematico se si desidera evitare parentesi quadre senza numero di articolo. In questo caso è possibile costruire un modello più robusto se si cambia il gruppo opzionale (?:(\d+)\.\s)? ad un'istruzione condizionale: (?(R)|(\d+)\.\s)

dichiarazione condizionale:

(?(R)  # IF you are in a recursion 
      # THEN match this (nothing in our case) 
    |   # ELSE 
    (\d+)\.\s # 
) 

In questo modo il numero di articolo diventa obbligatoria.

Answer 2

È possibile utilizzare una regex ricorsivo per ottenere tutte le stringhe racchiuse tra parentesi quadre, e quindi utilizzare un preg_replace all'interno di un array_map per rimuovere le staffe e staffe allegando:

$str = "Lorem ipsum [1. dolor sit amet, [consectetuer adipiscing] elit.]. Aenean commodo ligula eget dolor.[2. Dolor, [consectetuer adipiscing] elit.] Aenean massa[3. Lorem ipsum] dolor."; 
preg_match_all('/\[(?>[^\[\]]|(?R))*]/', $str, $matches); 
$res = array_map(function($el) { 
    return preg_replace('/^\[\d+\.(.*?)\s*\]$/s', '$1', $el); 
    }, 
    $matches[0]); 
print_r($res); 

Vedi IDEONE demo

Il \[(?>[^\[\]]|(?R))*] regex corrisponde a [, quindi tutto tranne [ e ] o i costrutti nidificati [...]. Vedi di più sulla ricorsione con espressioni regolari a regular-expressions.info. Ecco lo regex demo.

La regex all'interno preg_repace - ^\[\d+\.(.*?)\s*\]$ - corrisponderà iniziale [ di 1 o più cifre e un periodo successivo, e partita e catturare il resto fino alla spaziatura finale facoltativa (\s*) e chiusura ] (la $ farà sicuro che la parentesi sia abbinata alla fine della stringa). Con $1 possiamo ripristinare il resto della stringa e usarlo per popolare un nuovo array. Vedi lo 2nd regex demo here.

Answer 3

È possibile utilizzare riferimenti ricorsivi a gruppi precedenti:

(?<no_brackets>[^\[\]]*){0}(?<balanced_brackets>\[\g<no_brackets>\]|\[(?:\g<no_brackets>\g<balanced_brackets>\g<no_brackets>)*\]) 

See it in action

L'idea è di definire le partite desiderate come sia qualcosa senza staffe, circondato da [] o qualcosa del genere, che contiene una sequenza di nessuna parentesi o parentesi equilibrate con la prima regola.