正则表达式提取嵌套元素

Question

我有包含以下结构的文本文件

{1,"StructEx",
[{1,"Element_1",[{2,"name","exampleName"},{3,"exampleValue",1},{2,"exampleComment","foo"}]},
[{1,"Element_2",[{2,"name","exampleName2"},{3,"exampleValue",2},{2,"exampleComment","bar"}]}]}

括号中的第一个值是数据类型。 我需要返回的regex表达式（通过几次迭代） StructEx中的所有元素，所以我可以将它打包成类似的东西

["StructEx"]=>
array(2) {
["Element_1"]=>
array(3) {
  ["name"]=>
  string(11) "exampleName"
  ["exampleValue"]=>
  int(1)
  ["exampleComment"]=>
  string(3) "foo"
}
["Element_2"]=>
array(3) {
  ["name"]=>
  string(12) "exampleName2"
  ["exampleValue"]=>
  int(2)
  ["exampleComment"]=>
  string(3) "bar"
}
}

Answer 1

假设嵌套是任意深的，那么答案是不，你不能用正则表达式解析这种文本文档。如果深度是有限的，那很痛苦，但是可行。

为什么会这样？

字母

为了更详细地回答你的问题，让我们介绍一些令人敬畏的干燥理论。

让我们将字母表Σ定义为非空符号集（技术上更正确的定义来自类别理论，将字母表视为非空的自由对象，但为了论证，这个定义就足够了

在我们的字母表Σ中，我们可以在字母表中定义一组所有有限字符串（读取：单词），即：

  

Σ= {s ₁ ，s ₂ ，...，s _n }

     

Σ* = {ε}∪{s _i1 s _i2 ... s _im | s _ik ∈Σ，m＆gt; 0,1≤k≤n}，其中ε是空字符串

例如，这意味着如果我们有一个字母Σ = {a, b, c}，Σ*中的某些字词将是aaaaaa，abababa，而不是abd，因为我们甚至不知道d存在。

正则表达式＆amp;语言

鉴于字母表Σ，我们有正则表达式，如ab*|c。我正在跳过正则表达式的正式定义，以减少它的混乱，所以让我们假设它是我们普通的“实用”正则表达式。

每个正则表达式定义定义常规语言，例如在此示例中，语言由单词a，ab，c，abbbbbc组成，但不包含abc。

有限自动机

每种常规语言都可以表示为finite automaton，这是一种可以识别正则表达式的设备。对于前面提到的正则表达式ab*|c，自动机看起来像这样：

0是开始状态，双圈是接受状态。简而言之，自动机在状态0开始消耗一个单词的每个字母并根据过渡箭头移动。如果它最终处于接受状态，我们说接受字符串。否则，我们说它拒绝它。

所以在这种情况下，将字符串abb送入我们的机器：

1. 从状态0开始
2. 使用a，转到州1
3. 使用b，转到州3
4. 使用b，转到州3
5. 字符串为空且状态3为接受状态，因此本机接受字符串，或者等效地，我们的正则表达式模式匹配字符串。

让我们看看当我们将abc送入我们的机器时会发生什么：

1. 从状态0开始
2. 使用a，转到州1
3. 使用b，转到州3
4. 消耗c，无处可动，字符串被拒绝

所以我们的正则表达式与abc不匹配。所有这些都与实际正则表达式基本相同，并附加了一些理论。

等价

有一个定理指出每种常规语言都是有限自动机可识别的。这意味着，如果存在可以匹配所需模式的常规语言（和基础正则表达式），那么应该是一个等价的有限自动机。

那么，为什么不呢？

但是你的模式中的嵌套具有无限的深度。因此，您需要一个无限大的有限自动机，它等同于常规语言，这与有限自动机的定义相矛盾。

参考

1. Regex & Automata

声明

正如你所看到的，我跳过了正则表达式的归纳定义，类别理论视角下的有限自动机，操作中的闭包以及其他一些正式的东西。欢迎您在上述参考链接中阅读相关内容。