正则表达式占有量对抗懒惰或贪婪

Question

任何人都可以一步一步解释我为什么正则表达式失败了：

<.++>

使用此字符串进行比较：<em>

在懒惰或贪婪量词中找到相同的字符串，但在这种情况下 涉及哪些步骤？

我使用Java正则表达式。

Answer 1

来自Java Pattern documentation：

  

占有量词，尽可能地贪婪地匹配并且不会退缩，即使这样做也会使整体比赛成功。

在您的示例中，正则表达式中的<与字符串中的<匹配，然后.++匹配字符串的其余部分em>。您的正则表达式中仍然有>，但字符串中没有字符可供匹配（因为.++全部消耗了它们）。所以比赛失败了。

如果量词是贪婪的，即如果它是.+而不是.++，那么正则表达式引擎会尝试将.+匹配的部分减少一个字符，只需em，然后重试。这次匹配会成功，因为字符串中会留下>，以便匹配正则表达式中的>。

编辑：懒惰的量词会像贪婪的量词一样反过来。懒惰量词将首先尝试匹配单个字符，在这种情况下只是e，而不是尝试匹配字符串的其余部分并逐个字符地退出。如果这不允许完整正则表达式匹配（这不会在这里，因为你在正则表达式中>试图匹配字符串中的m），懒惰的量词会移动最多匹配两个字符em。然后正则表达式中的>将与字符串中的>对齐，匹配将成功。但是，如果它没有成功，那么延迟量词将最多移动三个字符，依此类推。

Answer 2

Possessive quantifier会阻止回溯 - 因此.++部分会与剩余的字符串em>匹配，同时也会占用最后一个>。

因此正则表达式的最后>没有匹配且正则表达式失败。

  

就像贪婪的量词一样，占有量词会尽可能多地重复令牌。与贪婪的量词不同，它不会因为引擎回溯而放弃匹配。通过占有量词，交易全部或全无。您可以通过在其后面添加额外的+来使量词占有。

Answer 3

关于贪婪的变种

首先让我们考虑像<.+>这样的模式如何与<em>匹配：

• 模式中的<与输入中的<匹配。
• 然后.+匹配输入中的em>（因为它贪婪，它首先匹配尽可能多的.）
  • 然后>不匹配，因为输入中没有其他字符
• 此时.+回溯并且必须少一个.;所以.+现在匹配em
• 模式中的>现在与输入中的>匹配。

---

关于不情愿的变种

相比之下，这是<.+?>与<em>匹配的方式：

• 模式中的<与输入中的<匹配。
• 然后.+?匹配输入中的e（因为它不情愿，但必须至少有一个.）
  • 然后>不匹配，因为输入的其余部分为m>
• 此时.+回溯并且必须再匹配.;所以.+?现在匹配em
• 模式中的>现在与输入中的>匹配。

---

关于否定的字符类和占有量词组合

请注意，在上述任何一种情况下，.+或.+?必须回溯才能匹配>。这就是为什么<.++> 永远匹配<em>的原因，因为这是发生的事情：

• 模式中的<与输入中的<匹配
• 然后.++在输入中匹配尽可能多的.，并且将拥有此匹配
  • 它不会放过它匹配的任何东西！ （因此“占有欲”）
  • 在这种情况下，.++能够匹配em>
• 现在模式中的>永远不会匹配，因为任何>都会被.++吞噬
  • 由于它占有欲，.++不会通过回馈>
  来“合作”

至少有机会匹配的模式是<[^>]++>。与<em>匹配时：

• 模式中的<与输入中的<匹配
• 然后[^>]++在输入中占用[^>]所占数量（即>以外的任何内容）
  • 在这种情况下，它将占有em
• 模式中的>现在可以与输入中的>匹配

尽可能实际，您应该避免在模式中使用.*? / .*。 .太灵活了，因为它匹配（差不多！）任何字符，这会导致不必要的回溯和/或匹配。

只要适用，您应使用否定字符类而不是.

regular-expressions.info

• Possessive Quantifier
• Character Class
• Repetition with Star and Plus（另请参阅： Laziness的替代方案）
• The Dot Matches (Almost) Any Character
• [灾难性回溯]（Catastrophic backtracking

相关问题

• Difference between .*? and .* for regex（有说明性示例）