Problema
Honestamente, el regex que sacaste de esa página es muy malo, no sólo en lo que deja sin considerar, sino también en términos de eficiencia. Tu intento de arreglarlo con aserciones (lookahead/lookbehind) es bueno, pero es una estrategia que no tiene buenos resultados. La explicación del por qué no va a funcionar es demasiado extensa, pero se podría resumir en que algo como (?<!"|')
sólo verifica 1 caracter hacia atrás de la posición actual y, por más que pudiésemos hacerlo de largo variable (-no, no se puede), no podrías determinar si la comilla previa está abriendo o cerrando un comentario. En resumen: estrategia equivocada (en la que todos hemos caído).
Solución
Para este tipo de casos, donde es relevante toda la sintaxis previa a la posición en la que se busca coincidir, la forma de llegar a ese punto es consumiendo cada parte del texto, mientras se valida cada estructura.
El regex, debería estar anclado al principio del texto, o el final del reemplazo anterior (\G
), e ir coincidiendo el texto donde un comentario no tiene significado, hasta encontrar el comentario. A grandes rasgos sería reemplazar
\G ([lo que no es comentario]*) comentario
donde se captura todo el texto previo y se incluye en al reemplazar por
$1
Expresión regular
Ahora bien, encontrar todo lo que no es comentario, implica coincidir con todos los caracteres excepto los que tienen un significado especial, e ir agregando reglas para que coincida con cada una de esas excepciones (una \
que escapa a un caracter, texto entre comillas, etc).
Como forma de simplificar la explicación, comenté el regex con el objetivo de cada estructura:
\G # Anclar a \A o fin de coincidencia previa
( # GRUPO 1: capturar todo lo que no es comentario en $1:
[^"'/\\]* # caracteres sin significado especial
(?: # estructuras especiales:
(?: \\. # a. barra escapando caracter
| /(?![*/]) # b. una / que no está seguida de / o *
| "[^"\\]*(?:\\.[^"\\]*)*" # c. texto entre comillas dobles
| '[^'\\]*(?:\\.[^'\\]*)*' # d. texo entre comillas simples
) #
[^"'/\\]* # seguido de más caracteres sin significado
)*+ # (estructuras especiales repetidas 0 a inf)
) # fin de Grupo 1
(?: # COMENTARIOS (no está dentro de $1)
//.* # a. // hasta el final de la linea
| /\*[^*]*(?:\*(?!/)[^*]*)*\*/ # b. /* hasta el siguiente */
)
O en una línea sin comentarios:
\G([^"'/\\]*(?:(?:\\.|/(?![*/])|"[^"\\]*(?:\\.[^"\\]*)*"|'[^'\\]*(?:\\.[^'\\]*)*')[^"'/\\]*)*+)(?://.*|/\*[^*]*(?:\*(?!/)[^*]*)*\*/)
Con barras y comillas escapadas para Java:
final String regex = "\\G([^\"'/\\\\]*(?:(?:\\\\.|/(?![*/])|\"[^\"\\\\]*(?:\\\\.[^\"\\\\]*)*\"|'[^'\\\\]*(?:\\\\.[^'\\\\]*)*')[^\"'/\\\\]*)*+)(?://.*|/\\*[^*]*(?:\\*(?!/)[^*]*)*\\*/)";
Demo
https://regex101.com/r/wDg8LJ/1/
Código en Java
import java.util.regex.Matcher;
import java.util.regex.Pattern;
final String regex =
"\\G" // Anclar a \\A o fin de coincidencia previa
+ "(" // GRUPO 1: capturar todo lo que no es comentario en $1:
+ " [^\"'/\\\\]*" // caracteres sin significado especial
+ " (?:" // estructuras especiales:
+ " (?: \\\\." // a. barra escapando caracter
+ " | /(?![*/])" // b. una / que no está seguida de / o *
+ " | \"[^\"\\\\]*(?:\\\\.[^\"\\\\]*)*\"" // c. texto entre comillas dobles
+ " | '[^'\\\\]*(?:\\\\.[^'\\\\]*)*'" // d. texo entre comillas simples
+ " )" //
+ " [^\"'/\\\\]*" // seguido de más caracteres sin significado
+ " )*+" // (estructuras especiales repetidas 0 a inf)
+ ")" // fin de Grupo 1
+ "(?:" // COMENTARIOS (no está dentro de $1)
+ " //.*" // a. // hasta el final de la linea
+ "| /\\*[^*]*(?:\\*(?!/)[^*]*)*\\*/" // b. /* hasta el siguiente */
+ ")";
final String texto =
"var ar1 = \"asasasas /*dsdsdsd*/ \"\n"
+ "var ar2 = \"asaasas //dsdsdsd\"\n"
+ "var ar3 // = \"asaasas //dsdsdsd asdsadsadsad\"\n"
+ "/*var ar4*/ = \"asasasas /*dsdsdsd*/ dsadasdsda\" /*\n"
+ "var ar5 = \"asaasas //dsdsdsd asdsadsadsad\" //comentario\n"
+ "var ar6 = \"x\" */ + \"asaasas //dsdsdsd asdsadsadsad\"\n"
+ "var ar7 = \"x\" // + \"asaasas //dsdsdsd asdsadsadsad\"\n"
+ "var ar8 = \"asaasas //dsdsdsd asdsadsadsad\" //comentario\n"
+ "var ar9 = \"asaasas //dsdsdsd asdsadsadsad\"";
final String reempl = "$1";
final Pattern pattern = Pattern.compile(regex, Pattern.COMMENTS);
final Matcher matcher = pattern.matcher(texto);
final String resultado = matcher.replaceAll(reempl);
System.out.println("TEXTO:\n" + texto);
System.out.println("\nRESULTADO:\n" + resultado);
Resultado
TEXTO:
var ar1 = "asasasas /*dsdsdsd*/ "
var ar2 = "asaasas //dsdsdsd"
var ar3 // = "asaasas //dsdsdsd asdsadsadsad"
/*var ar4*/ = "asasasas /*dsdsdsd*/ dsadasdsda" /*
var ar5 = "asaasas //dsdsdsd asdsadsadsad" //comentario
var ar6 = "x" */ + "asaasas //dsdsdsd asdsadsadsad"
var ar7 = "x" // + "asaasas //dsdsdsd asdsadsadsad"
var ar8 = "asaasas //dsdsdsd asdsadsadsad" //comentario
var ar9 = "asaasas //dsdsdsd asdsadsadsad"
RESULTADO:
var ar1 = "asasasas /*dsdsdsd*/ "
var ar2 = "asaasas //dsdsdsd"
var ar3
= "asasasas /*dsdsdsd*/ dsadasdsda" + "asaasas //dsdsdsd asdsadsadsad"
var ar7 = "x"
var ar8 = "asaasas //dsdsdsd asdsadsadsad"
var ar9 = "asaasas //dsdsdsd asdsadsadsad"
Demo
http://ideone.com/NSGmCL