-1

記述するべき内容が不足していたら申し訳ありません。



やりたいこと

配列内を正規表現を用いて検索し、「マッチした文字列」の中で「一番要素数が大きい文字列」を取得したいです。



現状

「文字列」(=inData、可変)と「区切文字」(=delimiter、可変、正規表現を使う場合あり)を投げると、

・Regex.splitを用いて区切る
・「区切前方文字(=front)」を代入
・「マッチした区切文字(delimiter)」を代入
・「区切後方文字(=behind)」を代入
・区切れたら(inData内からdelimiterがマッチする箇所が1つでも存在したら)true/区切れなかったらfalseを返す

上記のことを行う関数(GetSplitData)を作りました。

「区切文字にマッチする箇所が1箇所のみだった」時の動きの例は以下の通りです。
これは想定通り動作しています。

例:GetSplitData("AAA BBB", "\s+", "", "")// inData, delimiter, front, behind
戻り値→inData = "AAA BBB"
      front = "AAA"
      delimiter = " "
      behind = "BBB"
      return true

今回「区切り文字にマッチする箇所が複数存在した」時の動きを悩んでいます。
望む形は以下の通りです。

例:GetSplitData("AAA00BBB0000CCC", "[0-9]+", "", "")
  →inData = "AAA00BBB0000CCC"
   front = "AAA00BBB"
   delimiter = "0000"
   behind = "CCC"
   return true


Regex.splitを用いている為、現在の動きだと
Stringの配列内に"AAA","00","BBB","0000","CCC"が入ります。
ここから後ろの"0000"を取得する方法が思いつきません。
複数存在したら再度配列をdelimiterで舐めようかと思ったのですが、
配列を正規表現を用いて舐める方法が検索しても出てきませんでした。
また、後ろのdelimiterが取得出来た所で、
その前後を取得する方法も思いつきません。
(正規表現なしならLastIndexOfが使えそうだなとは思いましたが…。使うとどうも"[0-9]+"という文字列を検索しに行ってしまう?)
(私が調べ損ねているだけで、LastIndexOfでも正規表現が使えるのでしょうか?)

使えそうなメソッド、アルゴリズム、考え方等ございましたらご教授願います。
皆様のお知恵をお貸しいただければと思います。
どうぞよろしくお願いいたします。


環境

・Microsoft Visual Studio 2013 Express for Windows
・.NET Framework 4.5.1
・C# 5.0



追記

混乱させてしまい申し訳ございません。
delimiterの採用条件は「文字列の長さ」ではなく「一番後ろにあるもの」です。
"AAA0000BBB00CCC"というinData、"[0-9]+"というdelimiterが来た場合、
delimiterに採用するのは「00」です。一番後ろにある為。
array[x]のxのことを「要素数」と勘違いしておりました。
用語を正しく使わなかった為に混乱させてしまい、大変失礼いたしました。



追記2 そもそもこの質問をすることになった経緯

public bool GetSplitData(string inData, string delimiter, ref string front, ref string behind)
{
    // 区切文字は後ろから検索する
    int index = inData.IndexOf(delimiter);
    // 区切り無し
    if (index == -1) return false;

    front = inData.Substring(0, index);
    behind = inData.Substring(index + delimiter.Length, inData.Length - (index + delimiter.Length));
    return true;
}


  1. この関数は「○○課 山田 太郎」のような文字列を区切る為に使用していた
  2. 最初は上記のコードを使って区切っていた(そもそもindexOfは「最初に見つけた部分のindexを返す関数」のはずなのに何故か最後の部分のindexを返してくれる。未だに謎です。)
  3. 「1.」の時はデリミターに「課」を入力させ、別の関数で「前にくっつける」ことを行い、「○○課」「山田 太郎」と区切っていた
  4. 後になって「○○課\r\n山田 太郎」や「○○課○○部 山田太郎」というのが出てきた
  5. indexOfに"\r\n"や"(課|部)"を入れても区切ってくれない
  6. 「区切文字がマッチする箇所が複数存在したら一番後ろで区切る」という仕様が決められている
  7. 質問に至る
2
  • pgrhoさんの回答を見て気になったのですが、「一番要素数が大きい」という語の解釈があいまいでよくわかりません。もっとも後ろにあるデリミターを採用したい or もっとも長いデリミターを採用したい or 他、どれでしょうか?
    – sayuri
    2017年8月31日 3:44
  • コメントありがとうございます。「要素数が大きい」ではなく「配列のindexが一番大きい」が正しいです。大変失礼いたしました。「もっとも後ろにあるデリミターを採用したい」が正解です。質問文修正します。
    – user24307
    2017年8月31日 4:53

2 件の回答 2

0

sayuri様、pgrho様、ご回答ありがとうございました。
今回は先に回答していただいたsayuri様をベストアンサーとさせていただきます。
pgrho様のラムダ式、linqを用いた書き方も非常に勉強になりました。別の箇所で参考にさせていただきます。

以下、実際に動かしたプログラムです。


public bool GetSplitData(string inData, ref string delimiter, ref string front, ref string behind)
{
    // 否定先読みの正規表現に置き換える
    string pattern = String.Format("({0}(?!.*{0}))", delimiter);
    Regex splitRegex = new Regex(pattern);
    // SplitでinDataを区切る
    string[] splited = splitRegex.Split(inData);
    // 3つに区切れたら振り分ける
    if (splited.Length == 3)
    {
        front = splited[0];
        delimiter = splited[1];
        behind = splited[2];
        return true;
    }
    else return false;
}
0

LastIndexOfのように検索したいのか文字数で判断したいのかよくわかりませんが、Regex.Matchesを呼び出して最長または最後Matchを採用すればよいのでは。

var ms = Regex.Matches(inData, delimiter);
if (ms.Count > 0)
{
    var m = ms[mc.Count -1];

    front = inData.Substring(0, m.Index);
    delimiter = m.Value;
    behind = inData.Substring(m.Index + m.Length);

    return true;
}

正規表現で否定先読みを使用すべきではない理由

正規表現を複数の箇所にマッチさせる場合、特定の箇所にマッチしたかどうか自体が後続の結果に影響します。ですので正規表現自体を書き換えるのは避けるべきです。

文字列aabaにパターン(a+|aba)をマッチさせた場合、該当しうる箇所は

  1. 1 文字目: a
  2. 1-2文字目: aa
  3. 2 文字目: a
  4. 2-4文字目: aba
  5. 4 文字目: a

です。しかしRegex.Matchesでマッチさせた場合、結果としてaa(2.)とa(5.)が得られます。
これはaaに含まれる1.と、aaの途中から始まる3.と4.が除外されたからです。

しかし否定先読みで(a+|aba)(?!.*(a+|aba))とパターンを変えると、1.と2.は4文字目のaのためにマッチしません。ですので2文字目から始まる3.と4.が比較され、より長いabaがマッチします。

もちろん「aabaも終了位置は同じ」と開き直ることもできますが、GetSplitDataメソッドの実装を知らない人になぜaではなくabaがデリミターなのかという仕様を説明することは難しいでしょう。
単純にRegex.Matchesを使用すれば正規表現の基本ルールにのっとっていますので、第三者へのわかりやすさからこちらをお勧めします。

例2

否定先読みを使うと問題になるもっとわかりやすいケースがあったので結果だけ掲載しておきます。原因は上で説明した通りです。

  • Regex.Split("a==b==c", "==") -> "a", "b", "c"
  • Regex.Split("a====c", "==") -> "a", "", "c"
  • Regex.Split("a====c", "==(?!.*==)") -> "a=", "=c"
9
  • 回答ありがとうございます。LastIndexOfのように、最後に出るマッチ文字を取得したいです。混乱させてしまい申し訳ございません。  最後の文章についてですが、inData「AAA。。BBB」delimiter「。」の場合を指しているのでしょうか?
    – user24307
    2017年8月31日 5:09
  • @crim 最後のは最長を求める場合のsayuriさんの回答が間違っている(区切り文字が単純な繰り返しでない場合を考慮していない)というだけの話ですので、最後のMatchを探す場合は関係ないです。
    – pgrho
    2017年8月31日 5:47
  • 最長を求める場合の話でしたか。失礼いたしました。
    – user24307
    2017年8月31日 6:58
  • @crim もう一度考えてみましたが、やはり否定先読みをつけると結果が変わるのでやめた方が良いです
    – pgrho
    2017年8月31日 11:55
  • そもそも(a+|aba)はデリミターと呼べるのでしょうか。質問にあるRegex.Splitを使うと"""aa""b""a"""の5つに分割されるわけで"aba"は得られません。質問から脱線しすぎではありませんか?
    – sayuri
    2017年8月31日 12:48

この質問に回答するには、ログインする必要があります。