1

この 2 つのテキストを例として

my $line = "[cytokine]<ADJVNT-PROP-0> signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]<EXP-PP-V-0>";
my $line2 = "[Human [papillomavirus]<VACC-PROP-0>]<VACC-PROP-0> genotype [31]<NUM> does not [express]<EXP-V-0> detectable [microRNA]<MIR-0> levels [during]<PREP> latent or productive virus replication.";

<VACor<ADJと andで囲まれた文字列をすべて抽出したいのですが<EXP 、左側に複数の一致がある場合は、最も内側から右端まで文字列を抽出します。

たとえば、上記の結果では、これらを返す単一の正規表現が必要です。

Output1: signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]
Output2: genotype [31]<NUM> does not [express]

このコードが機能しない理由:

my @lines = ("[cytokine]<ADJVNT-PROP-0> signaling, which have not [to]<PREP> date been shown [to]<PREP> be [[regulat]<EXP-V-0>ed]<EXP-PP-V-0>",
"[Human [papillomavirus]<VACC-PROP-0>]<VACC-PROP-0> genotype [31]<NUM> does not [express]<EXP-V-0> detectable [microRNA]<MIR-0> levels [during]<PREP> latent or productive virus replication.");


my $count = 0;
foreach $line (@lines) {
    $count++;
    my ($sel) = $line =~ /<VAC|<ADJ.*>(.*)<EXP.*>/;
    print "Output $count: $sel\n";

}

ここで実行可能: https://eval.in/50772

それを行う正しい方法は何ですか？

4

2 に答える 2

5

まず、OR 演算子のスコープが間違っています。

/<VAC|<ADJ.*>(.*)<EXP.*>/

<VACこれは、 または のいずれかに一致します<ADJ.*>(.*)<EXP.*>。必要な部分を非キャプチャ グループにラップします。

/<(?:VAC|ADJ).*>(.*)<EXP.*>/

次に、ここで否定されたクラスを使用する方が安全だと思います。つまり、[^>]+代わりに.*次のことを意味します。

/<(?:VAC|ADJ)[^>]+>(.*)<EXP[^>]+>/

最後に、キャプチャに<VACまたはが必要ないようです。<ADJだから私は部分に否定的な先読みを追加しました（そして(.*)怠惰にしました）(.*)：

/<(?:VAC|ADJ)[^>]+>((?:(?!<VAC|ADJ).)*?)<EXP[^>]+>/

eval.in 更新

パーツを取得したい場合<EXP(最初の例)、キャプチャ グループを拡張します。

/<(?:VAC|ADJ)[^>]+>((?:(?!<VAC|ADJ).)*?<EXP[^>]+>)/

この部分の eval.in。

于 2013-09-26T07:41:35.993 に答える