Não use regex
Embora seja possível (como já apontado em outras respostas), regex não parece ser a ferramenta correta para este problema. Não vou nem entrar no mérito da expressão ter ficado um "pequeno monstro", difícil de entender e de manter (basta ver na sua outra pergunta a dificuldade que é para adicionar uma pequena modificação).
No seu caso, um parser parece ser mais adequado, já que você tem expressões que devem ser avaliadas (podendo ser números ou strings, que por usa vez podem ser operandos do operador +
, que podem ou não estar dentro de colchetes, que também podem fazer parte de outra operação +
, e os outros operandos podem ser strings ou números, ou estarem dentro de colchetes, etc).
Como há uma série de regras "especiais" (como colchetes dentro e fora das aspas, que tem que ser interpretados de forma diferente, etc), a regex acaba ficando realmente complicada, já que ela precisa de um monte de malabarismos para detectar em qual contexto está (se o [
está ou não dentro das aspas, etc).
Já um parser cuida desta complexidade para você, dando também mais controle sobre cada parte da expressão sendo avaliada (sem contar a facilidade de manutenção, como veremos mais abaixo).
No caso, você pode usar um gerador de parser, por exemplo. Para a resposta abaixo, usarei o Antlr.
Neste projeto usei o Maven, por facilitar alguns passos. A estrutura é bem simples:
ExpressionParser (diretório raiz do projeto)
|
|- pom.xml
|
|- src/main
|
|- java/expressionparser/main
| |
| |- Main.java
| |
| |- ExpressionEvaluator.java
|
|- antlr4/expressionparser
|
|- Expression.g4
No pom.xml
adicionamos o Antlr nas dependências, e configuramos o respectivo plugin que fará o build:
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>grupo.qualquer.mude.para.o.seu</groupId>
<artifactId>expressionparser</artifactId>
<packaging>jar</packaging>
<version>1.0</version>
<name>expressionparser</name>
<properties>
<antlr4.version>4.3</antlr4.version>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
<javac.target>1.8</javac.target>
</properties>
<dependencies>
<dependency>
<groupId>org.antlr</groupId>
<artifactId>antlr4-runtime</artifactId>
<version>${antlr4.version}</version>
</dependency>
<dependency>
<groupId>org.antlr</groupId>
<artifactId>antlr4-maven-plugin</artifactId>
<version>${antlr4.version}</version>
<scope>compile</scope>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.antlr</groupId>
<artifactId>antlr4-maven-plugin</artifactId>
<version>${antlr4.version}</version>
<configuration>
<arguments>
<argument>-visitor</argument>
</arguments>
</configuration>
<executions>
<execution>
<goals>
<goal>antlr4</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.1</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<groupId>org.codehaus.mojo</groupId>
<artifactId>exec-maven-plugin</artifactId>
<version>1.2.1</version>
<configuration>
<mainClass>expressionparser.main.Main</mainClass>
</configuration>
</plugin>
</plugins>
</build>
</project>
Já no arquivo Expression.g4
definimos a gramática das expressões que queremos fazer o parsing:
grammar Expression;
parse : expr;
expr
: atom #atomExpr
| expr PLUS expr #additiveExpr
;
atom
: STRING #stringAtom
| INT #numberAtom
| ID ( brackets ID )? #idAtom
| brackets #parExpr
;
brackets : OPAR expr? CPAR;
STRING : '\'' (~['])* '\'' | '"' (~["])* '"';
PLUS : '+';
OPAR : '[';
CPAR : ']';
INT : [0-9]+;
ID : [a-zA-Z]+;
SPACE : [ \t\r\n] -> skip;
Basicamente definimos que uma expressão pode ter números (INT
, que está definido como um ou mais dígitos), strings (STRING
, zero ou mais caracteres entre aspas ''
ou ""
) ou identificadores (ID
, uma sequência de uma ou mais letras). Além disso, expressões podem estar entre colchetes (brackets
), podendo inclusive não ter nada entre eles (ou seja, pode ser apenas []
), e por fim também podemos ter expressões como operandos do operador +
(definido por PLUS
).
Tem também o caso de ter expressões "em sequência", sem um operador entre elas (como é o caso de Oi ['[aa]'] ola
). Eu fiz uma definição bem específica (um identificador, seguido de expressão entre colchetes, seguido de outro identificador), pois não ficou claro quais são todas as possibilidades (não sei se poderia ter algo como [a] [b] [c]
, por exemplo).
De qualquer forma, bastaria adaptar a gramática para aceitar tais casos. Para saber mais sobre como definir uma gramática, sugiro ler a documentação (aqui e aqui).
A princípio pode parecer mais complicado do que a regex, mas se você aprender ambas verá que na verdade esta é a solução mais adequada (e no final veremos como é mais simples modificá-la para adicionar um novo operador, por exemplo).
Por enquanto não precisa criar os arquivos Main.java
e ExpressionEvaluator.java
. Primeiro rode o Maven:
mvn clean install
Assim ele irá criar o diretório target/generated-sources/antlr4/
na raiz do projeto, com várias classes geradas a partir da gramática que definimos acima:
$ find target/generated-sources/antlr4/
target/generated-sources/antlr4/
target/generated-sources/antlr4/Expression.tokens
target/generated-sources/antlr4/ExpressionLexer.tokens
target/generated-sources/antlr4/expressionparser
target/generated-sources/antlr4/expressionparser/ExpressionLexer.java
target/generated-sources/antlr4/expressionparser/ExpressionBaseListener.java
target/generated-sources/antlr4/expressionparser/ExpressionBaseVisitor.java
target/generated-sources/antlr4/expressionparser/ExpressionParser.java
target/generated-sources/antlr4/expressionparser/ExpressionListener.java
target/generated-sources/antlr4/expressionparser/ExpressionVisitor.java
Se estiver usando uma IDE, veja como configurá-la para que as classes acima façam parte do classpath do seu projeto (no Netbeans, por exemplo, é automático, veja como é na sua).
A partir daí, podemos criar as nossas classes, que usam o parser e o lexer gerados acima.
Primeiro a classe ExpressionEvaluator
:
package expressionparser.main;
import expressionparser.ExpressionBaseVisitor;
import expressionparser.ExpressionParser;
import java.util.ArrayList;
import java.util.List;
import org.antlr.v4.runtime.ParserRuleContext;
import org.antlr.v4.runtime.misc.Interval;
public class ExpressionEvaluator extends ExpressionBaseVisitor<Void> {
// lista com todas as expressões que têm colchetes
private List<String> expressoesColchetes = new ArrayList<>();
public List<String> getExpressoesColchetes() {
return expressoesColchetes;
}
// ao encontrar uma expressão entre colchetes, adicionar na lista
@Override
public Void visitBrackets(ExpressionParser.BracketsContext ctx) {
expressoesColchetes.add(getFullText(ctx));
ExpressionParser.ExprContext expr = ctx.expr();
// se tem algo dentro dos colchetes, continuar analisando
return expr == null ? null : this.visit(expr);
}
// obter todo o texto do token, preservando os espaços originais
private String getFullText(ParserRuleContext context) {
if (context.start == null || context.stop == null || context.start.getStartIndex() < 0 || context.stop.getStopIndex() < 0) {
return context.getText();
}
return context.start.getInputStream().getText(Interval.of(context.start.getStartIndex(), context.stop.getStopIndex()));
}
}
No caso, eu apenas criei uma subclasse de ExpressionBaseVisitor
(que é uma classe que "visita" todos os tokens da expressão sendo analisada).
No arquivo de gramática tem a linha brackets : OPAR expr? CPAR;
para definir uma expressão entre colchetes, então o Antlr gerou o método visitBrackets
, que é chamado sempre que tal expressão é encontrada. Neste caso, eu adiciono o texto dela na lista expressoesColchetes
(tive que fazer um pequeno "malabarismo" para que ele pegue o texto com os espaços originais, pois apenas getText()
pode removê-los caso haja uma expressão mais complexa dentro dos colchetes).
Depois, no arquivo Main.java
, basta usar o ExpressionEvaluator
para obter os colchetes:
package expressionparser.main;
import expressionparser.ExpressionLexer;
import expressionparser.ExpressionParser;
import java.util.List;
import org.antlr.v4.runtime.ANTLRInputStream;
import org.antlr.v4.runtime.CommonTokenStream;
import org.antlr.v4.runtime.tree.ParseTree;
public class Main {
public static void main(String[] args) throws Exception {
String[] entrada = {
"1 + [aa]",
"[bb] + 2",
"'a' + [cc]",
"['ola' + 'mundo']",
"'[a' + 'b]'",
"'[' + ']'",
"[]",
"'Ola [world] legal'",
"Oi ['[aa]'] ola",
"[aa] + 42 + ['bb' + 'cc' + [abc + 'def'] + xyz]"
};
for (String stringToVerify : entrada) {
parse(stringToVerify);
}
}
static void parse(String expressao) {
ExpressionLexer lexer = new ExpressionLexer(new ANTLRInputStream(expressao));
ExpressionParser parser = new ExpressionParser(new CommonTokenStream(lexer));
ParseTree tree = parser.parse();
ExpressionEvaluator evaluator = new ExpressionEvaluator();
evaluator.visit(tree);
System.out.printf("\nEntrada: %s\n", expressao);
// obtém a lista de expressões entre colchetes
List<String> expressoesColchetes = evaluator.getExpressoesColchetes();
if (expressoesColchetes.isEmpty()) {
System.out.println("Não há colchetes fora das aspas");
} else {
// mostra todas as capturas, separadas por |
System.out.printf("Captura: %s\n", String.join(" | ", expressoesColchetes));
}
}
}
Assim, eu uso o ExpressionEvaluator
para obter todas as expressões entre colchetes.
Você pode rodar com o próprio Maven se quiser (mvn exec:java
). A saída é:
Entrada: 1 + [aa]
Captura: [aa]
Entrada: [bb] + 2
Captura: [bb]
Entrada: 'a' + [cc]
Captura: [cc]
Entrada: ['ola' + 'mundo']
Captura: ['ola' + 'mundo']
Entrada: '[a' + 'b]'
Não há colchetes fora das aspas
Entrada: '[' + ']'
Não há colchetes fora das aspas
Entrada: []
Captura: []
Entrada: 'Ola [world] legal'
Não há colchetes fora das aspas
Entrada: Oi ['[aa]'] ola
Captura: ['[aa]']
Entrada: [aa] + 42 + ['bb' + 'cc' + [abc + 'def'] + xyz]
Captura: [aa] | ['bb' + 'cc' + [abc + 'def'] + xyz] | [abc + 'def']
Quando há mais de uma expressão, eu retorno todas na mesma linha (mas você poderia retornar uma por linha, tanto faz; uma vez tendo a lista, formate a saída da forma que achar melhor).
Repare no último caso, em que há uma expressão entre colchetes dentro de outra. O parser consegue separar corretamente ambas: a mais externa (['bb' + 'cc' + [abc + 'def'] + xyz]
) e a interna ([abc + 'def']
).
Usando a regex da outra resposta, a saída para o último caso é:
Captura: [aa]
Captura: ['bb' + 'cc' + [abc + 'def']
Repare que ele pegou somente parte da segunda expressão, e a terceira foi ignorada.
Claro, não foi dito que você tem casos assim, foi só para mostrar as limitações de se usar regex.
Alterações na estrutura da expressão são mais simples do que com regex
Em uma outra pergunta você quis adicionar o operador *
nas expressões. Com regex fica bem complicado, pois só para entender onde mudar já é uma complicação.
Mas na solução acima, basta adicionar este operador na gramática (no arquivo Expression.g4
). Na definição de expr
, basta adicionar uma multiplicativeExpr
:
expr
: atom #atomExpr
| expr MULT expr #multiplicativeExpr
| expr PLUS expr #additiveExpr
;
E mais abaixo, no lugar de:
PLUS : '+';
OPAR : '[';
Adicione a definição do operador MULT
:
PLUS : '+';
MULT : '*';
OPAR : '[';
Depois basta gerar novamente as classes (mvn clean install
) e testar com mais expressões:
// no main
String[] entrada = {
"1 + [aa]",
"[bb] + 2",
"'a' + [cc]",
"['ola' + 'mundo']",
"'[a' + 'b]'",
"'[' + ']'",
"[]",
"'Ola [world] legal'",
"Oi ['[aa]'] ola",
"[aa] + 42 + ['bb' + 'cc' + [abc + 'def'] + xyz]",
"[hello] + '' * [world]",
"[a] + [b + 'c'] + ['abc' + 2 * '']"
};
for (String stringToVerify : entrada) {
parse(stringToVerify);
}
Repare que adicionei mais duas expressões no final, com o operador *
. Agora o parser passa a entender essas duas últimas expressões também:
Entrada: [hello] + '' * [world]
Captura: [hello] | [world]
Entrada: [a] + [b + 'c'] + ['abc' + 2 * '']
Captura: [a] | [b + 'c'] | ['abc' + 2 * '']
A regex não funciona para a expressão [hello] + '' * [world]
, pois ela só pega o [hello]
.
Claro, até daria para mudar para algo como:
String regex = "\\G" // Início do texto ou fim do casamento anterior
+ "[^\\[']*" // Texto sem colchetes nem aspas simples
+ "(?:'[^']*'[^\\['*]*)*" // Opcional: Texto em aspas + texto sem "[" nem "'"
+ "[^']*" // <-- *** AQUI ***
+ "(\\[" // Grupo 1: Colchete de abertura
+ "[^]']*" // + texto sem "]" nem "'"
+ "(?:'[^']*'[^]']*)*" // + texto em aspas + texto sem "]" nem "'"
+ "\\])"; // + colchete de fechamento
Pois agora ele pega zero ou mais caracteres que não sejam aspas entre uma expressão e outra. Ainda é meio "simplista", pois falha em casos como [hello] + '' * '' + [world]
(que o parser consegue analisar corretamente), e esse é o problema com regex: conforme as expressões vão ficando mais complexas, sempre pode aparecer um caso em que ela falha, já que ela está lidando com texto "bruto", sem analisar o contexto.
Isso é diferente do que o parser faz, pois ele analisa a estrutura e o contexto de cada parte da expressão, com base na definição da gramática (ele "sabe" quando é o conteúdo de uma string, ou um trecho de uma expressão, etc, coisa que a regex não faz). E para adicionar mais possibilidades, basta alterar a gramática (e se for o caso, o ExpressionEvaluator
).
Por isso que, mesmo que haja uma curva de aprendizado para entender como definir a gramática e usar o Antlr, ainda sim acho que vale a pena, por ser a ferramenta mais adequada para a tarefa. Vale lembrar ainda que regex também tem uma curva de aprendizado que não é trivial para casos assim, e no final ainda não será a melhor solução, pelos motivos já citados.
['aa']
?['[aa]']