Ruby正則表達式忽略第一個有效的（？）匹配

我想操縱SRT字幕文件。該文件的開始的示例串@data：Ruby正則表達式忽略第一個有效的（？）匹配

1 
00:01:09,611 --> 00:01:12,404 
In co-production with 

2 
00:01:14,783 --> 00:01:17,034 
presents

我用正則表達式的所有id的匹配：

@data.scan(/^\d+\w*$/)

然而，這忽略了第一1，只有輸出2..900。我以爲我錯過了在正則表達式的一些字符，並分析@data：

puts @data[0,10].inspect => "1\n00:01:09,611 --> "

我不明白爲什麼這首1不匹配。與@data.match()一起運行它不會產生1，但會產生2。

然後我在1之前加了一個\n，它就起作用了。但是，我不明白爲什麼^需要一個\n而不是真正的字符串開頭。

來源

2013-04-21 Peterdk

似乎在字符串中的'1'之前有一些奇怪的字符。試試'p @data [0，10] .bytes'。第一個不是49. – Dogbert 2013-04-21 15:12:40

明白了，字符串中的第一個字符似乎是UTF-8的Byte順序標記 - http://en.wikipedia.org/wiki/Byte_order_mark – Dogbert 2013-04-21 15:13:58

'@ data.scan （/^\ d + \ w * $ /）在我的環境中給我'[「1」，「2」]'。 – sawa 2013-04-21 15:15:12

正如@Dogbert在評論中指出的那樣，在字符串的開始處有一個Unicode BOM。我懷疑這是任何程序創作你正在閱讀的文件的人工製品。您可以解決這幾個方面 - 刪除字符：

@data = @data[1..-1] if @data[0] == "\ufeff" 
# or 
@data.sub!(/\A\ufeff/, '')

或者讓你的正則表達式掃描對待BOM像線錨的開始以積極向後看：

@data.scan(/(?:^|(?<=\ufeff))\d+\w*$/)

或者作爲鐵皮人所指出的，告訴Ruby來BOM感知讀取數據時：

@data = File.read('somedata', nil, 0, 'r:BOM|UTF-8')

來源

2013-04-21 15:30:47 dbenhur

我認爲的確如此。現在我認爲這是因爲我使用了一些簡單的OSX字幕編輯器，它抱怨編碼並將其保存爲utf。我想這是問題。我在開始的時候通過在linebreak中加入瞭解決方法，但如果有人需要定期處理這個問題，那麼您的答案中就會列出所有選項。公認。 – Peterdk 2013-04-21 22:19:19

如果問題是文檔中的BOM，Ruby支持讀取時使用多字節編碼沿檢查一個BOM文件。從IO.new的「IO編碼」文檔：

如果|「UTF16-BE BOM」時，紅寶石檢查一個Unicode BOM「BOM | | UTF-8」，「BOM UTF-16LE」或輸入文件以幫助確定編碼。對於UTF-16編碼，文件打開模式必須是二進制。如果存在，則剝離BOM並使用來自BOM的外部編碼。當BOM缺失時，給定的Unicode編碼被用作ext_enc。（BOM-set編碼選項不區分大小寫，因此「bom | utf-8」也是有效的。）

來源

2013-04-21 15:49:47

+1教導我們Ruby可以被告知做正確的事情與BOM – dbenhur 2013-04-21 15:52:32

BOM一直是我身邊的刺多次。我遇到他們很少，我會忘記他們存在，直到我在我的輸入數據中得到垃圾。在我寫Perl時，我不得不處理它們，而且第一次遇到UTF-16編碼時感到震驚......「這些二進制零是什麼!!!」 :-)很高興看到Ruby有幫助。 – 2013-04-21 15:55:39

Ruby正則表達式忽略第一個有效的（？）匹配

回答

相關問題