非贪婪的正则表达与头韵和重复

Question

我正在尝试使用扩展正则表达式匹配AB和BA之间的内容，例如使用awk。

考虑两个示例字符串AB12BABA和AB123BABA，我尝试了以下正则表达式

AB([^B]|([^B][^A]|B[^A]|[^B]A))*BA

但它匹配两个例子的整个字符串（贪婪）。

任何人都可以解释正则表达式引擎如何适用于这种情况，以及我应该如何更改我的正则表达式以使其正常工作。

Answer 1

BRE和ERE引擎将与最左边的最长规则匹配，这与Perl和其他基于NFA的正则表达式引擎与正则表达式的匹配方式不同。

Boost库中的documentation在技术方面更加详细，所以我在这里引用它：

  

最左边的最长规则

     

通常，在特定位置匹配正则表达式的方法不止一种，对于POSIX基本和扩展正则表达式，“最佳”匹配确定如下：

     

  
1. 找到最左边的匹配项，如果此位置只有一个匹配项，则返回它。
  
2. 找出最长的可能比赛以及任何比赛。如果只有一个这样的可能匹配，则返回它。
  
3. 如果没有标记的子表达式，则所有剩余的替代方案都难以区分;返回第一个找到的。
  
4. 找到与最左边位置的第一个子表达式匹配的匹配项以及任何关系。如果只有这样的匹配可以返回它。
  
5. 找到第一个子表达式匹配最长的匹配项以及任何联系项。如果只有一个这样的匹配则返回。
  
6. 对每个其他标记的子表达式重复步骤4和5。
  
7. 如果仍有多个可能的匹配，则它们无法区分;返回找到的第一个。
  

文本中提到的标记子表达式指的是()捕获组。请注意，它们仅支持捕获和反向引用。

---

因此，为了进行延迟匹配，您需要构造一个正则表达式，使其与重复的部分匹配，而避免匹配尾部直到最后。由于ERE和BRE等同于理论正则表达式，只要你能构造一个DFA，就会存在一个等效的正则表达式（只是在某些情况下构造它并不是一件容易的事）。

根据您的要求，此正则表达式应该起作用：

AB([^B]|B+[^AB])*B*BA

部分([^B]|B+[^AB])*B*匹配任何不包含字符串“BA”的字符串。

推导

这是匹配不包含字符串“BA”的字符串的DFA。

这里的符号不是标准的，所以我会解释一下：

• 状态q1 / B表示状态名为q1（就像命名变量一样），B是匹配BA的当前进度。
• *表示字母表中的任何字符。 [^B]表示除B之外的字母表中的任何字符。

在DFA中，q0和q1是最终状态，q0是初始状态。请注意，q2是陷阱状态，因为它是非最终状态，并且没有从该状态转换出来。

使用步骤here，或只使用JFLAP派生正则表达式。 （在JFLAP中，您应该使用某些字符，例如C来表示[^AB]）。

由于q2是陷阱状态，我们可以将其从公式中排除：

R0 =  [^B]R0 + BR1 + λ
R1 = [^AB]R0 + BR1 + λ

将Arden定理应用于R1：

R1 = B*([^AB]R0 + λ)

将R1替换为R0：

R0 = [^B]R0 + BB*([^AB]R0 + λ) + λ

在BB*上分发([^AB]R0 + λ)：

R0 = [^B]R0 + BB*[^AB]R0 + BB*λ + λ

组合在一起：

R0 = ([^B] + BB*[^AB])R0 + (BB* + λ)

将Arden定理应用于R0：

R0 = ([^B] + BB*[^AB])*(BB* + λ)

（BB* OR λ（空字符串））相当于B*：

R0 = ([^B] + BB*[^AB])*B*

让我们将其重写为awk的语法：([^B]|B+[^AB])*B*，如上所示。

Answer 2

使用环顾四周和非贪婪的量词：

(?<=AB).*?(?=BA)

如果您想匹配分隔符，只需：

AB.*?BA