Question

我有一个前瞻正则表达式 [^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])。在 my test 中，它从 @@||imasdk.googleapis.com/js/core/bridge*.html 中提取 4 个子字符串：

|imasdk
.googleapis
.com
/core

我需要用 2 个旧的正则表达式重写它，因为我不能使用前瞻（正则表达式引擎不支持）。我已将其拆分为 [^a-z0-9%*][a-z0-9%]{3,} 和 [^a-z0-9%*]，后者在匹配后的子字符串中针对每个第一个正则表达式匹配进行检查。

出于某种原因，it extracts /bridge 也是，因为 . 没有列在 [^a-z0-9%*] 中，而是在 /bridge 之后找到。那么前瞻是如何工作的：它必须是完全匹配、substr（find 结果）还是其他任何东西？在这种情况下，这是否意味着每个结尾字符都不应来自集合 a-z0-9%*？

在 Rust 中，代码如下所示：

    lazy_static! {
        // WARNING: the original regex is `"[^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])"` but Rust's regex
        // does not support look-around, so we have to check it programmatically for the last match
        static ref REGEX: Regex = Regex::new(r###"[^a-z0-9%*][a-z0-9%]{3,}"###).unwrap();
        static ref LOOKAHEAD_REGEX: Regex = Regex::new(r###"[^a-z0-9%*]"###).unwrap();
    }

    let pattern_lowercase = pattern.to_lowercase();
    
    let results = REGEX.find_iter(&pattern_lowercase);
    for (is_last, each_candidate) in results.identify_last() {
        let mut candidate = each_candidate.as_str();
        if !is_last {
            // have to simulate positive-ahead check programmatically
            let ending = &pattern_lowercase[each_candidate.end()..]; // substr after the match
            println!("searching in {:?}", ending);
            let lookahead_match = LOOKAHEAD_REGEX.find(ending);
            if lookahead_match.is_none() {
                // did not find anything => look-ahead is NOT positive
                println!("NO look-ahead match!");
                break;
            } else {
                println!("found look-ahead match: {:?}", lookahead_match.unwrap().as_str());
            }
        }
         ...

测试输出：

"|imasdk":
searching in ".googleapis.com/js/core/bridge*.html"
found look-ahead match: "."
".googleapis":
searching in ".com/js/core/bridge*.html"
found look-ahead match: "."
".com":
searching in "/js/core/bridge*.html"
found look-ahead match: "/"
"/core":
searching in "/bridge*.html"
found look-ahead match: "/"
"/bridge":
searching in "*.html"
found look-ahead match: "."

^ 在这里您可以看到 /bridge 由于关注 . 并且它不正确。

Answer 1

您的 LOOKAHEAD_REGEX 会在匹配后的任何位置查找不在范围内的字符，但带有前瞻的原始正则表达式仅在匹配后立即查看单个字符。这就是您的代码找到 /bridge 而 regex101 没有的原因：您的代码在匹配后的某处看到 .，而 regex101 只查看 *。

您可以通过锚定 LOOKAHEAD_REGEX 来修复您的代码，以便它只查看第一个字符：^[^a-z0-9%*]。

或者，如@Sven Marnach 所建议的，您可以使用匹配完整表达式的单个正则表达式：[^a-z0-9%*][a-z0-9%]{3,}[^a-z0-9%*]，并去除匹配的最后一个字符。

如何将前瞻正则表达式拆分为 2 个普通正则表达式？

1 个答案: