Regex 如何在此特定文本上使用正则表达式捕获多个单词？

我试图从以下示例文本中提取薪酬最高的职务：

数据科学家 #在收入最高的工作中排名第一 5100个预计就业岗位250000美元工资中位数0.5%失业率 程序员 #2.从事报酬最高的工作 4000个预计就业岗位24万美元工资中位数1.0%失业率 SAP模块顾问 #3.薪水最高的工作 3000个预计工作22万美元工资中位数0.2%失业率 通过使用以下正则表达式和Perl代码

使用File:：Glob；
本地$/=undef；
我的$file=@ARGV[0]；
打开输入，“为什么不逐行处理，简单易行

use warnings;
use strict;
use feature 'say';

my $file = shift || die "Usage: $0 file\n";

open my $fh, '<', $file  or die "Can't open $file: $!";

my (@jobs, $prev_line);

while (my $line = <$fh>) { 
    chomp $line;
    next if not $line =~ /\S/;

    if ($line =~ /^\s*#[0-9]/) {
        push @jobs, $prev_line;
    }   

    $prev_line = $line;
}

say for @jobs;

问题并不是说是否也需要排名，但regex中有一个提示，表明它们可能需要排名。然后，假设文件中的顺序是“正确”的，您可以迭代数组索引，并使用它们的索引（秩）打印元素（标题）

或者，可以肯定地说，在正则表达式中捕获它们，
/^\s*#（[0-9]+）/
。然后您可以直接打印标题及其排名，或者将它们存储在具有键值对的哈希中
rank=>title


对于正则表达式，需要进行一些更正。要在匹配之前合成正则表达式，最好使用运算符。要处理多行字符串，需要使用
/m
修饰符。（请参阅。）正则表达式本身需要修复。例如

my $regex  = qr/^(.+)?(?:\n\s*)+\n\s*#\s*[0-9]/m;
my @titles = $content =~ /$regex/g

捕获一行之后至少有一个空行，然后在另一行上捕获
#N

如果还需要标题的排名，那么也将其捕获，并存储在散列中

my $regex = qr/^(.+)?(?:\n\s*)+\n\s*#\s*([0-9]+)/m;
my %jobs  = reverse  $content =~ /$regex/g;

或者最好不要用
反向推送它，而是迭代匹配列表

my %jobs;
while ($content =~ /$regex/g) {
    $jobs{$2} = $1;
}

因为有了它，我们可以在每次迭代中检查我们的“捕获”，进行其他处理，等等。然后您可以按顺序对要打印的键进行排序

say "#$_ $jobs{$_}" for sort { $a <=> $b } keys %jobs;

对排序{$a$b}键%jobs说“#$$jobs{$}”；

一般来说，只要根据需要按职级选择工作就行了

我认为可以公平地说，这里的正则表达式比第一个程序复杂得多。
您没有考虑空格（如
Data Scientist
）：

^\w+.*$\R+#(\d+)

看。

\R
等于
（？>\R\n |\n |\R |\f |\x0b |\x85）
（匹配Unicode换行符序列）。
回答您的问题：

您只捕获了第二个单词，并且不允许在它们之间留有空格。这就是它不匹配的原因，例如，
Data Scientist

＞P>使用<代码> QR///<代码>操作符编译动态内容的正则表达式。该错误源于正则表达式中的“代码> $/CODE”，Perl正则表达式编译器假定您错了，因为<代码> $>代码>应该只出现在正则表达式的结尾。

以下代码应达到您的要求。请注意两步方法：

查找匹配的文本


行首（
^
）
一个或多个由空格分隔的单词（
\w+（？：\s+\w+*
，无需捕获匹配项）
两行结束（
\n\n
）
#
后面跟一个数字（
\d+
）
多次应用正则表达式（
/g
）并将字符串视为多行（
/m
，即
^
将匹配输入文本中某行的任何开头）

在行尾拆分匹配（
\n
）并提取第一个和第三个字段


我们知道，
$match
将包含三行，这种方法比编写另一个正则表达式容易得多

对您在问题中提供的示例文本进行测试

$perl dummy.pl dummy.txt
匹配“数据科学家”“1”
匹配“程序员”“2”
匹配“SAP模块顾问”“3”


UNICODE更新：根据@Jan的回答，代码可以改进如下：

my$regex=qr/^（\w+（？：\s+\w+）*\R\R\d+）/m；
...
我的（$title，undf，$rank）=拆分（/\R/，$match）；

这可能是更通用的方法，因为
UTF-8
是
File:：Slurper:：read_text（）
的默认值…
Q2：使用
qr/
操作符（请参阅）编译正则表达式。即
my$regex=qr/^\w+（\w+）*$\n\n\n#（\d+）/；
。您也可以用这种方式组合子正则表达式，即
my$regex=qr/${subre1}${subre2}${subre3}/
Q1有点不清楚。F.ex。第一个示例：是否要将
数据科学家
与
#1
匹配？谢谢你的回答。这是一个很好的正则表达式。但它不包含如何将正则表达式的结果集带入Perl数组，因此我不能用勾号选择它。@Romario：不用担心，很乐意帮助。谢谢你的帮助答案。我听说过
qr//
，但已经完全忘记了。循环部分很好。以前从未见过或使用过
使用功能qw（比如）；
和
使用文件：：Slurper qw（read_text）；
，但它们非常实用和精细。表达式内部
（？：\s+\w+）*
有
：
我尝试过在没有它的情况下重新登录，但它没有改变输出。这可能是打字错误吗？它做什么？请参阅：“
（？：pattern）
这是用于群集，而不是捕获；它将子表达式分组，如
（）
，但不会像
（）
那样进行反向引用，也就是非捕获组（NCG）。当您需要对内容进行分组，但不捕获内容时，这对于稍微提高性能更为可取。我曾单独考虑过
：
，但结果是组合
？：
，现在这很有意义。谢谢。谢谢您的回答。我想将整个文本作为单个字符串处理，因为这不是一个很长的文本，我想看看我是否可以用一个正则表达式来解决它。@Romario当然，这就是我们学习的方式：）我只是想提供一个更简单的方法（原则上在生产中至关重要，并且有困难的问题：使用合适的计算方法和算法来分解它
^\w+.*$\R+#(\d+)

#!/usr/bin/perl
use strict;
use warnings;

use feature qw(say);
use File::Slurper qw(read_text);

my $input = read_text($ARGV[0])
    or die "slurp: $!\n";

my $regex = qr/^(\w+(?:\s+\w+)*\n\n#\d+)/m;

foreach my $match ($input =~ /$regex/g) {
    #say $match;
    my($title, undef, $rank) = split("\n", $match);
    $rank =~ s/^#//;
    say "MATCH '${title}' '${rank}'";
}

exit 0;