regex - 将多行文本括在特定正则表达式捕获组的引号内

Question

我的输入是来自不同来源的文本，唯一一致的是它们都包含代码、纬度和经度。有时后面会附有有用的注释。

根据此输入，目标是生成带有标题行的 CSV 格式: 代码、名称、纬度、经度、注释、URL、注释

仅需要代码、纬度、经度和可能的注释，

使用 PCRE2，替换字符串为 代码,,纬度,经度,"备注",,

$1,,$2,$3,"$4",,

我的 RE 几乎可以做我想做的事情了

(?mi)^.*?((?:\bGC)[A-Z0-9-]{1,10}).*?([N|S]\s?\d{1,2}°?\s+\d{1,2}\.\d{1,3}'?).*?([E|W]\s?\d{1,3}°?\s+\d{1,2}\.\d{1,3}'?)\s(.*)

您可以在 regex101 中查看我迄今为止的工作。

重点关注示例中的部分输出

GC8DH0G,,N 50° 50.456',W 001° 10.456',"Text to capture",,
Including line breaks and text, until the next GCcode
GC123GHF,,N 50 50.789,W 001 10.789,"etc.",,

唯一的附加要求是包含经度后面的所有多行文本，直到以下 GC 代码，也包含在带引号的捕获组 4 中。

所以上面的输出将变成

GC8DH0G,,N 50° 50.456',W 001° 10.456',"Text to capture
Including line breaks and text, until the next GCcode",,
GC123GHF,,N 50 50.789,W 001 10.789,"etc.",,

也就是说，所有文本，包括换行符\n 或\r\n 都用引号引起来。

Answer 1

"... My input is text from different sources and the only consistent thing is that they all contain a code, latitude and longitude. ..."

需要注意的是，资源通常会包含概述语法的文档。

无论如何，geographic coordinate 值有不同的表示法。
您在此处解析的值称为DDM，或“度，十进制分”。
随后，有DMS，或“度、分、秒”。
而且，还有DD，或“decimal degrees”。

这是一个捕获模式。
Unicode 代码点，U+00b0，用于度数字符，°。

(GC[A-Z\d]+).*?([NS] \d+\x{00b0}? \d+(?:\.\d+)?[^,\s]?),([EW] \d+\x{00b0}? \d+(?:\.\d+)?[^,\s]?|$)?

GC8EYCQ, N 50° 50.123, W 001° 10.123
GC8DH0G, N 50° 50.456', W 001° 10.456'
GC123GHF, N 50 50.789, W 001 10.789
GC123ABC, N 50 50.987, W 001 10.987

此外，这里有一个 DMS 值的模式。

(GC[A-Z\d]+).*?([NS] \d+\x{00b0}? \d+[^ ]? \d+(?:\.\d+)?[^,\s]+),([EW] \d+\x{00b0}? \d+[^ ]? \d+(?:\.\d+)?[^,\s]+|$)?

"... The only additional requirement is to include all the multilines of text that follow the Longitude, up until the following GC code, also enclosed in quoted capture group 4. ..."

尝试以下操作。
本质上，如果坐标后面跟着除空格以外的任何内容，则捕获内容，直到下一个 GC 代码。

(?: *$|(?s) *(.+?)\s*(?=GC[A-Z\d]+))

这是重构。

(GC[A-Z\d]+).*?([NS] \d+\x{00b0}? \d+(?:\.\d+)?[^,\s]?),([EW] \d+\x{00b0}? \d+(?:\.\d+)?[^,\s]?|$)?(?: *$|(?s) *(.+?)\s*(?=GC[A-Z\d]+))

这是捕获的内容，我已将换行符替换为 \n。

GC8EYCQ, N 50° 50.123, W 001° 10.123, ""
GC8DH0G, N 50° 50.456', W 001° 10.456', "Text to capture\nIncluding line breaks and text, until the next GCcode"
GC123GHF, N 50 50.789, W 001 10.789, "More multiline text \nthat must be enclose in quotes\nNot just the first line of text to capture"
GC123ABC, N 50 50.987, W 001 10.987, ""