Question

我很难理解Java中正则表达式的行为，并且遇到了一些看起来很奇怪的东西。在下面的代码中，测试突然失败，原因是我在测试时不理解消息标签“6个字母匹配，负面”（后续的两个测试也失败了）。我一直盯着这个太长时间，还是确实发生了一些奇怪的事情？我不是这与可变长度负向前瞻断言（？！X）有关，但我很乐意听到任何理论，甚至确认其他人遇到同样的问题，并且它不是特定于我的JVM。对不起，正则表达式是如此做作，但你不想看到真实的东西：）

// $ java -version
// java version "1.7.0_10"
// Java(TM) SE Runtime Environment (build 1.7.0_10-b18)
// Java HotSpot(TM) 64-Bit Server VM (build 23.6-b04, mixed mode)

// test of word without agreement
String test = "plusieurs personne sont";

// match the pattern with curly braces
assertTrue("no letters matched", Pattern.compile("plusieurs personne\\b").matcher(test).find());
assertTrue("1 letters matched", Pattern.compile("plusieurs personn\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("2 letters matched", Pattern.compile("plusieurs person\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("3 letters matched", Pattern.compile("plusieurs perso\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("4 letters matched", Pattern.compile("plusieurs pers\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("5 letters matched", Pattern.compile("plusieurs per\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("6 letters matched", Pattern.compile("plusieurs pe\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("7 letters matched", Pattern.compile("plusieurs p\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("8 letters matched", Pattern.compile("plusieurs \\p{Alpha}{1,100}\\b").matcher(test).find());

// match the negative pattern (without s or x) with curly braces
assertTrue("no letters matched, negative", Pattern.compile("plusieurs (?!personne[sx])\\w+").matcher(test).find());
assertTrue("1 letters matched, negative", Pattern.compile("plusieurs (?!personn\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("2 letters matched, negative", Pattern.compile("plusieurs (?!person\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("3 letters matched, negative", Pattern.compile("plusieurs (?!perso\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("4 letters matched, negative", Pattern.compile("plusieurs (?!pers\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("5 letters matched, negative", Pattern.compile("plusieurs (?!per\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
// the assertion below fails (is false) for reasons unknown
assertTrue("6 letters matched, negative", Pattern.compile("plusieurs (?!pe\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("7 letters matched, negative", Pattern.compile("plusieurs (?!p\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("8 letters matched, negative", Pattern.compile("plusieurs (?!\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());

Answer 1

让我们看看前瞻是如何匹配的：

pe           literal, matches "pe"
r            matches \p{Alpha}{1,100}
s            matches [sx]

因此负向前瞻不匹配（字符串的尾部"onne sont"，此处无关紧要。）

在\\b之后放置[sx]可能会有所帮助，如果您的想法是下一个单词不应以s或x结尾。始终要记住，否定前瞻不会抱歉关于失败，并且它不会回溯以便找到使你的正则表达式不匹配的可能性。

UPD：让我们仔细看看案例5，将其与案例6进行比较。这里我们使用假设的匹配（对于lookahead中的表达式），所以我们必须考虑它的几种变体（差不多）发生了。

per          literal, would match "per" -- it's always so
             -- let's try to imagine how the rest could match:
sonn         would match \p{Alpha}{1,100}
e            wouldn't match [sx], FAIL
             -- or maybe
s            would match \p{Alpha}{1,100}
o            wouldn't match [sx], FAIL
             -- or maybe yet
so           would match \p{Alpha}{1,100}
n            wouldn't match [sx], FAIL.

如果第二个单词是“personali s ation”，我们会有另一个有趣的冒险。

UPD2：评论中的讨论促使我在这里添加一个概括：

正则表达式很有吸引力，因为它们具有人类思维的重要特征：confirmation bias。当我们编写正则表达式时，我们希望匹配它们;即使我们的工作是防止无效输入，我们也会在大多数情况下考虑有效输入。正则表达式匹配器通常共享此属性：希望匹配，讨厌失败。这就是为什么像\p{Alpha}{1,100}这样的子表达式并不意味着“在尝试匹配剩余的输入之前，吃掉最长的Alpha数量”。它粗略地意味着“考虑每个可能的大小的Alpha，其长度在[1,100]之内，找到一种方法让整个表达式匹配”。

这就是为什么使用正则表达式时，很容易忽略复杂表达式的误报：错误接受的无效输入。当我们使用否定前瞻时，这个问题不会出现，它只会变得更可见：

在负面预测中，regexp matcher 希望匹配内部表达式（使外部表达式失败）。人类程序员仍然希望匹配外部表达式;正如我们在我们的例子中看到的，这个因素确实会影响我们对内在表达的推理。我们认为不应该如此难以匹配（例如，它应该以愚蠢的方式处理子表达式，立即吃掉最长的输入）。匹配器通常工作，但我们的关于理想行为的想法现在与其算法不同步。内在表达的误报（很难注意到）会成为外部的错误否定（我们注意到并且讨厌）。

Java正则表达式中带有负前瞻断言的奇怪性

1 个答案: