Question

我正在使用正则表达式来解析一些BBCode，因此正则表达式必须以递归方式工作以匹配其他内容中的标记。大多数BBCode都有一个参数，有时引用它，但并非总是如此。

我正在使用的正则表达式的简化等效（使用html样式标记来减少所需的转义）是这样的：

'~<(\")?a(?(1)\1)> #Match the tag, and require a closing quote if an opening one provided
  ([^<]+ | (?R))* #Match the contents of the tag, including recursively
</a>~x'

但是，如果我有一个如下所示的测试字符串：

<"a">Content<a>Also Content</a></a>

它只与<a>Also Content</a>匹配，因为当它尝试匹配第一个标记时，第一个匹配组\1设置为"，这是不是在递归运行正则表达式以覆盖内部标记时被覆盖，这意味着因为它没有引用，所以它不匹配，并且正则表达式失败。

如果相反我一直使用或不使用引号，它工作正常，但我不能确定我必须解析的内容的情况。有什么方法可以解决这个问题吗？

我正在使用的完整正则表达式匹配[spoiler]content[/spoiler]，[spoiler=option]content[/spoiler]和[spoiler="option"]content[/spoiler]，

"~\[spoiler\s*+ #Match the opening tag
            (?:=\s*+(\"|\')?((?(1)(?!\\1).|[^\]]){0,100})(?(1)\\1))?+\s*\] #If an option exists, match that
          (?:\ *(?:\n|<br />))?+ #Get rid of an extra new line before the start of the content if necessary
          ((?:[^\[\n]++ #Capture all characters until the closing tag
            |\n(?!\[spoiler]) Capture new line separately so backtracking doesn't run away due to above
            |\[(?!/?spoiler(?:\s*=[^\]*])?) #Also match all tags that aren't spoilers
            |(?R))*+) #Allow the pattern to recurse - we also want to match spoilers inside spoilers,
                     # without messing up nesting
          \n? #Get rid of an extra new line before the closing tag if necessary
          \[/spoiler] #match the closing tag
         ~xi"

但是还有其他一些错误。

Answer 1

最简单的解决方案是改用替代品：

<(?:a|"a")>
  ([^<]++ | (?R))*
</a>

但如果您真的不想重复a部分，可以执行以下操作：

<("?)a\1>
  ([^<]++ | (?R))*
</a>

Demo

我刚将条件?放入群组中。这次，捕获组总是匹配，但匹配可以为空，并且不再需要条件。

旁注：我已将占有量词应用于[^<]以避免catastrophic backtracking。

在您的情况下，我认为匹配通用标签比使用特定标签更好。匹配所有标记，然后在代码中决定如何处理匹配。

这是一个完整的正则表达式：

\[
  (?<tag>\w+) \s*
  (?:=\s*
    (?:
      (?<quote>["']) (?<arg>.{0,100}?) \k<quote>
      | (?<arg>[^\]]+)
    )
  )?
\]

(?<content>
  (?:[^[]++ | (?R) )*+
)

\[/\k<tag>\]

Demo

请注意，我添加了J选项（PCRE_DUPNAMES），以便能够使用(?<arg> ... )两次。

Answer 2

(?(1)...)仅检查是否已定义组1，因此一旦第一次定义组，条件为真。这就是你获得这个结果的原因（它与递归级别或其他任何因素无关）。

因此，在递归中到达<a>时，正则表达式引擎会尝试匹配<a">并失败。

如果要使用条件语句，可以改为编写<("?)a(?(1)\1)>。通过这种方式，组1每次都被重新定义。

显然，你可以用更有效的方式编写你的模式：

~<(?:a|"a")>[^<]*+(?:(?R)[^<]*)*+</a>~

对于您的特定问题，我将使用这种模式匹配任何标记：

$pattern = <<<'EOD'
~
\[ (?<tag>\w+) \s*
(?: 
  = \s* 
  (?| " (?<option>[^"]*) " | ' ([^']*) ' | ([^]\s]*) ) # branch reset feature
)?
\s* ]
(?<content> [^[]*+ (?: (?R) [^[]*)*+ )
\[/\g{tag}]
~xi
EOD;

如果您想在地面强加特定代码，可以在代码名称前添加(?(R)|(?=spoiler\b))。

if-else在递归正则表达式中没有按预期工作

2 个答案: