C#: Получение коллекции данных с помощью регулярного выражения в многострочном режиме

#c_sharp #регулярные_выражения

Задача

В C#-программе получить из текстового файла телефонные коды городов и их названия
с помощью регулярного выражения.


Для простоты в данной задаче будем брать только названия городов, состоящие из одного
слова без дефиса.
Логично будет, если в файле данных сначала шло бы название города, а потом код, но
я по определённым причинам сделал наоборот. 
В идеале, если в файле данных строка будет начинаться с кода города, а потом через
один пробел будет идти его название, но идеология юзабилити требует адаптации к криворуким
пользователям, потому регулярное выражение должно допускать пробелы до кода, лишние
пробелы после него, а также лишние пробелы после названия города. Недопустимо лишь
отсутствие пробела между кодом и городом.


Файл данных

39032 Абакан
  39042  Саяногорск
39031 Черногорск       

     39036Копьево   
42722 Анадыр ь
81831145 Березник
81 856   Карпогоры 


Составление регулярного выражения ##

На Regex Storm .NET с регулярным выражением ^\s*(\d{4,5})\s+(\w)+\s*$ и опцией Multiline
я получил 3 совпадения (первые три города), а остальные 4 паттерну не соответствуют:


Копьево - Отсутствует пробел между кодом и именем
Анадырь - Имеется ошибочный пробел в имени (повторюсь, что в этом вопросе мы рассматриваем
только имена собственные, состоящие из одного слова).
Березинск - Слишком много цифер в коде (несоответствие стандарту)
Карпогоры - Пробел в номере


Программная реализация

Как я узнал, в C# режим Multiline является режимом по умолчанию. С точки зрения логики,
в паттерне нужно указать начало и конец строки. Тем не менее с паттерном  

string pattern = @"^\s*(\d{4,5})\s*(\w+)\s$";


в программе я не получил ни одного совпадения. С паттерном @"^\s*(\d{4,5})\s*(\w+)\s"
(без указания конца строки) я получил единственное совпадение: пустой код города и
имя первого города. Наконец с паттерном @"\s*(\d{4,5})\s*(\w+)\s" (без указания начала
и конца строки) я получил невалидные данные:


Код первого города - пустой.
Копьево, Анадырь - получено несмотря на невалидность
Березинск: Получен код города 81831; следующие три цифры зачтены как название города.


Как следует исправить код, чтобы совпадения были те же, что и на Regex Storm?

class Program {
    static void Main(string[] args) {

        // Указание пути к файлу данных
        String currentProjectPath = Path.GetFullPath(Path.Combine(AppDomain.CurrentDomain.BaseDi‌​rectory,
"..\\..\\")).ToString();
        String dataFolderPath = currentProjectPath + "/Data/";
        String dataFileNameWithExtension = "Data.txt";
        String fullPathToDataFile = dataFolderPath + dataFileNameWithExtension;


        // Чтение файла
        string[] lines = System.IO.File.ReadAllLines(fullPathToDataFile);
        string fileContains = "";

        foreach (string line in lines) {
            fileContains = fileContains + line + "\n";
        }

        // Применение регулярного выражения
        string pattern = @"\s*(\d{4,5})\s*(\w+)\s";
        MatchCollection matches = Regex.Matches(fileContains, pattern);

        foreach (Match match in matches) {
            Console.WriteLine("Код города："+ match.Groups[1].Value);
            Console.WriteLine("Имя города：" + match.Groups[2].Value);
        }
    }
}




Если для ответа на данный вопрос Вам нужно поэкспериментировать с кодом, то в целях
экономии Вашего времени я подготовил проект для Visual Studio (ссылка на Яндекс Диск;
возможно станет недоступной после получения ответа на вопрос).
    

Ответы

Ответ 1

Ваша изначальная регулярка неверна, она возвращает код города и последовательность
по одной букве:



Правильная регулярка: ^\s*(\d{4,5})\s+(\w+)\s*$:



Рабочий код:

var lines = @"39032 Абакан
  39042  Саяногорск
39031 Черногорск       

     39036Копьево   
42722 Анадыр ь
81831145 Березник
81 856   Карпогоры";

string pattern = @"^\s*(\d{4,5})\s+(\w+)\s*$";
MatchCollection matches = Regex.Matches(lines, pattern, RegexOptions.Multiline);

foreach (Match match in matches)
{
    Console.WriteLine("Код города：" + match.Groups[1].Value);
    Console.WriteLine("Имя города：" + match.Groups[2].Value);
}


Обратите внимание, на параметр RegexOptions.Multiline, он:


  Изменяет ^ и $ так, чтобы они соответствовали началу/концу строки
  текста, а не началу/концу всей строки регулярного выражения


PS: На сколько я понял .NET Regex Tester как раз работает на движке регулярных выражений
.NET, поэтому раз уж вы включили там галочку Multiline, то должны и в своем коде указать
соответствующий флаг


Ответ 2

var lines = @"39032 Абакан
39042  Саяногорск
39031 Черногорск       

 39036Копьево   
42722 Анадыр ь
81831145 Березник
81 856   Карпогоры";
lines = lines.Replace(" ", "");

string pattern = @"(\d{4,5})\d*(\w+)";
MatchCollection matches = Regex.Matches(lines, pattern);

foreach (Match match in matches)
{
    Console.WriteLine("Код города：" + match.Groups[1].Value);
    Console.WriteLine("Имя города：" + match.Groups[2].Value);
}



  Код города：39032
  Имя города：Абакан
  Код города：39042
  Имя города：Саяногорск
  Код города：39031
  Имя города：Черногорск
  Код города：39036
  Имя города：Копьево
  Код города：42722
  Имя города：Анадырь
  Код города：81831
  Имя города：Березник
  Код города：81856
  Имя города：Карпогоры


Ответ 3

Ваша изначальная регулярка, ^\s*(\d{4,5})\s+(\w)+\s*$, верна, и ничуть не хуже, чем
^\s*(\d{4,5})\s+(\w+)\s*$. Да, из нее неудобно достать результат, но это вполне возможно
кодом вида:

Console.WriteLine("Имя города：" + 
    String.Join("", match.Groups[2].Captures.Cast().Select(c=>c.Value)));


Дело в только в том, что доставать результат парсинга регекса, опираясь на индексы
групп - не слишком надежный способ.

Надежный способ - именованные группы. Тогда все три выражения дадут вам одинаковый
результат, вне зависимисти от того, как вы поставите скобки:

^\s*(?'code'\d{4,5})\s+(?'city'(\w)+)\s*$
^\s*(?'code'\d{4,5})\s+(?'city'\w+)\s*$
^\s*(?'code'\d{4,5})\s+(?'city'(\w+))\s*$


Имена групп можно обрамлять в <>, если одиночные кавычки режут глаз:

^\s*(?\d{4,5})\s+(?\w+)\s*$


Пример кода с вашей изначальной регуляркой + именами групп

var lines = @"39032 Абакан
39042  Саяногорск
39031 Черногорск       

 39036Копьево   
42722 Анадыр ь
81831145 Березник
81 856   Карпогоры";

string pattern = @"^\s*(?'code'\d{4,5})\s+(?'city'(\w)+)\s*$";
MatchCollection matches = Regex.Matches(lines, pattern, RegexOptions.Multiline);

foreach (Match match in matches)
{
    Console.WriteLine("Код города：" + match.Groups["code"].Value);
    Console.WriteLine("Имя города：" + match.Groups["city"].Value);
}


При этом неименованные группы можно вообще убрать из результатов, задав флаг RegexOptions.ExplicitCapture