Mencari UUID dalam teks dengan regex

Saya mencari UUID dalam blok teks menggunakan regex. Saat ini saya mengandalkan asumsi bahwa semua UUID akan mengikuti pola 8-4-4-4-12 digit heksadesimal.

Adakah yang bisa memikirkan kasus penggunaan di mana asumsi ini tidak valid dan akan menyebabkan saya kehilangan beberapa UUID?

Saya setuju bahwa menurut definisi regex Anda tidak ketinggalan UUID apa pun. Namun mungkin berguna untuk mencatat bahwa jika Anda mencari terutama untuk Pengidentifikasi Unik Global Microsoft (GUID), ada lima representasi string yang setara untuk GUID:

"ca761232ed4211cebacd00aa0057b223" 

"CA761232-ED42-11CE-BACD-00AA0057B223" 

"{CA761232-ED42-11CE-BACD-00AA0057B223}" 

"(CA761232-ED42-11CE-BACD-00AA0057B223)" 

"{0xCA761232, 0xED42, 0x11CE, {0xBA, 0xCD, 0x00, 0xAA, 0x00, 0x57, 0xB2, 0x23}}" 

Regex untuk uuid adalah:

\b[0-9a-f]{8}\b-[0-9a-f]{4}-[0-9a-f]{4}-[0-9a-f]{4}-\b[0-9a-f]{12}\b

@ ivelin: UUID dapat memiliki modal. Jadi Anda harus toLowerCase () string atau menggunakan:

[a-fA-F0-9]{8}-[a-fA-F0-9]{4}-[a-fA-F0-9]{4}-[a-fA-F0-9]{4}-[a-fA-F0-9]{12}

Akan hanya berkomentar ini tetapi tidak cukup rep :)

Versi 4 UUID memiliki bentuk xxxxxxxx-xxxx-4xxx-yxxx-xxxxxxxxxxxx di mana x adalah digit heksadesimal dan y adalah salah satu dari 8, 9, A, atau B. misalnya f47ac10b-58cc-4372-a567-0e02b2c3d479.

sumber: http://en.wikipedia.org/wiki/Uuid#Definition

Oleh karena itu, ini secara teknis lebih benar:

/[a-f0-9]{8}-[a-f0-9]{4}-4[a-f0-9]{3}-[89aAbB][a-f0-9]{3}-[a-f0-9]{12}/

Jika Anda ingin memeriksa atau memvalidasi versi UUID tertentu , berikut adalah regex yang sesuai.

Perhatikan bahwa satu-satunya perbedaan adalah nomor versi , yang dijelaskan dalam 4.1.3. Versionbab UUID 4122 RFC .

Nomor versi adalah karakter pertama dari grup ketiga [VERSION_NUMBER][0-9A-F]{3}::

• UUID v1:

  /^[0-9A-F]{8}-[0-9A-F]{4}-[1][0-9A-F]{3}-[89AB][0-9A-F]{3}-[0-9A-F]{12}$/i

• UUID v2:

  /^[0-9A-F]{8}-[0-9A-F]{4}-[2][0-9A-F]{3}-[89AB][0-9A-F]{3}-[0-9A-F]{12}$/i

• UUID v3:

  /^[0-9A-F]{8}-[0-9A-F]{4}-[3][0-9A-F]{3}-[89AB][0-9A-F]{3}-[0-9A-F]{12}$/i

• UUID v4:

  /^[0-9A-F]{8}-[0-9A-F]{4}-[4][0-9A-F]{3}-[89AB][0-9A-F]{3}-[0-9A-F]{12}$/i

• UUID v5:

  /^[0-9A-F]{8}-[0-9A-F]{4}-[5][0-9A-F]{3}-[89AB][0-9A-F]{3}-[0-9A-F]{12}$/i

/^[0-9a-f]{8}-[0-9a-f]{4}-[1-5][0-9a-f]{3}-[89AB][0-9a-f]{3}-[0-9a-f]{12}$/i

Regexp Gajus menolak UUID V1-3 dan 5, meskipun mereka valid.

[\w]{8}(-[\w]{4}){3}-[\w]{12} telah bekerja untuk saya dalam banyak kasus.

Atau jika Anda ingin benar-benar spesifik [\w]{8}-[\w]{4}-[\w]{4}-[\w]{4}-[\w]{12}.

Dalam python re, Anda dapat membentang dari alpha numerik ke huruf besar. Begitu..

import re
test = "01234ABCDEFGHIJKabcdefghijk01234abcdefghijkABCDEFGHIJK"
re.compile(r'[0-f]+').findall(test) # Bad: matches all uppercase alpha chars
## ['01234ABCDEFGHIJKabcdef', '01234abcdef', 'ABCDEFGHIJK']
re.compile(r'[0-F]+').findall(test) # Partial: does not match lowercase hex chars
## ['01234ABCDEF', '01234', 'ABCDEF']
re.compile(r'[0-F]+', re.I).findall(test) # Good
## ['01234ABCDEF', 'abcdef', '01234abcdef', 'ABCDEF']
re.compile(r'[0-f]+', re.I).findall(test) # Good
## ['01234ABCDEF', 'abcdef', '01234abcdef', 'ABCDEF']
re.compile(r'[0-Fa-f]+').findall(test) # Good (with uppercase-only magic)
## ['01234ABCDEF', 'abcdef', '01234abcdef', 'ABCDEF']
re.compile(r'[0-9a-fA-F]+').findall(test) # Good (with no magic)
## ['01234ABCDEF', 'abcdef', '01234abcdef', 'ABCDEF']

Itu membuat regex UUID Python paling sederhana:

re_uuid = re.compile("[0-F]{8}-([0-F]{4}-){3}[0-F]{12}", re.I)

Saya akan meninggalkannya sebagai latihan bagi pembaca untuk menggunakan timeit untuk membandingkan kinerja ini.

Nikmati. Simpan Pythonic ™!

CATATAN: Rentang itu juga akan cocok :;<=>?@', jika Anda curiga bisa memberikan Anda hasil positif palsu, jangan ambil jalan pintas. (Terima kasih Oliver Aubert untuk menunjukkannya di komentar.)

Menurut definisi, UUID adalah 32 digit heksadesimal, dipisahkan dalam 5 grup oleh tanda hubung, seperti yang telah Anda jelaskan. Anda tidak boleh ketinggalan dengan ekspresi reguler Anda.

http://en.wikipedia.org/wiki/Uuid#Definition

Jadi, saya pikir Richard Bronosky sebenarnya memiliki jawaban terbaik saat ini, tetapi saya pikir Anda dapat melakukan sedikit untuk membuatnya agak lebih sederhana (atau setidaknya terser):

re_uuid = re.compile(r'[0-9a-f]{8}(?:-[0-9a-f]{4}){3}-[0-9a-f]{12}', re.I)

Varian untuk C ++:

#include <regex>  // Required include

...

// Source string    
std::wstring srcStr = L"String with GIUD: {4d36e96e-e325-11ce-bfc1-08002be10318} any text";

// Regex and match
std::wsmatch match;
std::wregex rx(L"(\\{[A-F0-9]{8}-[A-F0-9]{4}-[A-F0-9]{4}-[A-F0-9]{4}-[A-F0-9]{12}\\})", std::regex_constants::icase);

// Search
std::regex_search(srcStr, match, rx);

// Result
std::wstring strGUID       = match[1];

Untuk UUID yang dihasilkan pada OS X dengan uuidgen, pola regex adalah

[A-F0-9]{8}-[A-F0-9]{4}-4[A-F0-9]{3}-[89AB][A-F0-9]{3}-[A-F0-9]{12}

Verifikasi dengan

uuidgen | grep -E "[A-F0-9]{8}-[A-F0-9]{4}-4[A-F0-9]{3}-[89AB][A-F0-9]{3}-[A-F0-9]{12}"

$UUID_RE = join '-', map { "[0-9a-f]{$_}" } 8, 4, 4, 4, 12;

BTW, hanya memperbolehkan 4 pada salah satu posisi hanya berlaku untuk UUIDv4. Tetapi v4 bukan satu-satunya versi UUID yang ada. Saya telah bertemu v1 dalam latihan saya juga.

Jika menggunakan Posix regex ( grep -E, MySQL, dll.), Ini mungkin lebih mudah dibaca & diingat:

[[:xdigit:]]{8}(-[[:xdigit:]]{4}){3}-[[:xdigit:]]{12}

Untuk bash:

grep -E "[a-f0-9]{8}-[a-f0-9]{4}-4[a-f0-9]{3}-[89aAbB][a-f0-9]{3}-[a-f0-9]{12}"

Sebagai contoh:

$> echo "f2575e6a-9bce-49e7-ae7c-bff6b555bda4" | grep -E "[a-f0-9]{8}-[a-f0-9]{4}-4[a-f0-9]{3}-[89aAbB][a-f0-9]{3}-[a-f0-9]{12}"
f2575e6a-9bce-49e7-ae7c-bff6b555bda4