正则表达式之匹配优先与忽略优先

正则表达式之匹配优先与忽略优先

概述

正则表达式，又称规则表达式。（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式通常被用来检索、替换那些符合某个模式(规则)的文本。

标准匹配量词（?、*、+，以及{min,max}）都是“匹配优先（greedy）”的。如果用这些量词来约束某个表达式，例如‘a?’中的‘a’，‘[0-9]+’中的‘[0-9]’，在匹配成功之前，进行尝试的次数是存在上限和下限的。标准匹配量词的结果“可能”并非所有可能中最长的，但它们总是尝试匹配尽可能多的字符，直到匹配上限为止。

而忽略优先，则是在原本的匹配优先量词后加一个问号即可，即在*、+、?、{min,max}后加入?即可。

匹配优先：尽可能多的匹配
忽略优先：尽可能少的匹配

要注意的是，DFA不支持忽略优先。

匹配优先量词：*、+、?、{min,max}
忽略优先量词：*?、+?、??、{min,max}?

1.匹配优先：

我们来看‘^\w+\d’匹配‘1a2b2c2de’的过程。首先‘\w+’匹配整个字符串之后，然后为了匹配‘\d’要求‘\w+’释放一个字符‘e’（最后的字符）。看是否能让‘\d’匹配，如果不能匹配，‘\w+’必须继续“交还”字符，直到能匹配‘\d’为止，如果所有的字符都交还完后还是不能匹配，则匹配失败。

2.忽略优先：

而对于忽略优先，总是匹配尽可能少的字符，先用‘\w’来匹配‘1a2b2c2de’中的‘1’，此时，‘+？’又必须选择，是继续进行匹配，还是忽略？因为它是忽略优先的，会首先选择忽略。接下来的‘\d’不能匹配后面的‘a’，所以‘\w+?’会继续尝试未匹配的‘a’，然后看后面的字符能否匹配‘\d’，直到能匹配‘\d’或尝试所有可能后报告匹配失败。

3.如果用‘^\w+(\d+)’和‘^\w+?(\d+)’来匹配‘copyright2019’，括号会捕获到什么？

‘^\w+(\d+)’匹配时为了满足‘\d+’的匹配，必须交还一些字符。释放的字符是最后的‘9’，之后‘9’能够由‘\d’匹配。‘\d’由‘+’量词进行修饰，所以现在还做到了最小匹配的可能，此时没有“必须”匹配的元素，所以‘\w’不会被迫交出‘1’。匹配优先的结构只会在被迫的情况下交还字符。所以，最终$1的值是‘9’：

‘^\w+?(\d+)’匹配时会先匹配‘copyright2019’中的‘c’，因为它是忽略优先的，会首先选择忽略，接下来‘\d’不能匹配后一个字符‘o’，所以‘\w+’会继续匹配未匹配的‘o’，在这个过程重复9次之后，‘\w+’最终匹配了‘copyright’，此时，接下来的‘2019’都能匹配，所以最终$1的值是‘2019’：

4.对于匹配双引号文本：

首先想到的可能就是‘ “.*” ’，在最开始的双引号匹配之后，‘.*’能够匹配任何字符，所以它会一直匹配到字符串的末尾。为了让最后的双引号能够匹配，‘.*’不会交还字符（或者更确切的说，是正则引擎强迫它回退），直到满足为止。最后，这个正则表达式的结果就是：

原本希望匹配到的是"McDonald’s"和"makudonarudo"，然而这显然不是我们所期望的结果，我们希望匹配到的不是双引号之间的“任何文本”，而是“除双引号以外的任何文本”。如果用‘[^"]*’替代‘.*’，结果是：

用排除法时注意，因为在大多数的流派中，‘[^"]*’能够匹配换行符，而点号则不能。

如果不想让表达式匹配换行符，可以用‘[^"\n]’。
也可以使用忽略优先量词：

5.对于多字符“引文”

与双引号字符的例子一样，使用“.*”匹配多字符引文也会出错，‘<B>.*</B>’中匹配优先‘.*’会一直匹配到该行的结尾字符，回溯只会进行到最后一个‘</B>’，而不是与匹配开头的‘<B>’相对应的‘</B>’：

我们可以使用忽略优先量词‘<B>.*?</B>’来进行匹配：

当然，错误的使用忽略优先量词有时候也会出现问题，如果用‘<B>.*?</B>’来匹配‘…<B>Billions and <B> Zillions</B> of suns…’时会出现：

显然这不是用户所期望的结果，这时候如果支持否定环视，我们就能得到与排除型字符组相当的结果，只有当‘<B>’不在字符串中的当前位置才能匹配成功。

这时候不管是用匹配优先量词还是忽略优先量词都可以。

测试链接

https://regexr.com/