捕获量词和量词算术

Question

首先，让我解释一下，这个问题既不是关于如何捕获组，也不是关于如何使用量词，这是我非常熟悉的正则表达式的两个特性。对于可能熟悉奇异引擎中不寻常语法的正则表达式爱好者来说，这更像是一个高级问题。

捕获量词

有谁知道正则表达式是否允许您捕获量词？我的意思是，与 + 和 * 等量词匹配的字符数将被计算在内，并且这个数字可以在另一个量词中再次使用。

例如，假设您想确保在这种字符串中具有相同数量的 Ls 和 Rs：LLLRRRRR

你可以想象这样的语法

L(+)R{\q1}

其中 L 的 + 量词被捕获，而捕获的数字在 R 的量词中被称为 {\q1}

这对于平衡字符串中 {@,=,-,/} 的数量很有用，例如 @@@@“星球大战”====“1977”----“科幻小说”////“乔治卢卡斯”

与递归的关系

在某些情况下，量词捕获可以优雅地代替递归，例如由相同数量的 Ls 和 Rs 框起来的一段文本，a in

L(+) some_content R{\q1} 

这个想法在以下页面上详细介绍了：Captured Quantifiers

它还讨论了对捕获的量词的自然扩展：量词算法，适用于您想要匹配 (3*x + 1) 之前匹配的字符数的情况。

我正在尝试找出是否存在类似的东西。

提前感谢您的见解！！！

更新

Casimir 给出了一个绝妙的答案，展示了两种方法来验证模式的各个部分是否具有相同的长度。但是，我不想在日常工作中依赖其中任何一个。这些确实是展示出色表演技巧的技巧。在我看来，这些漂亮但复杂的方法证实了问题的前提：捕获量词（例如 + 或 *）能够匹配的字符数量的正则表达式功能将使这种平衡模式非常简单，并将语法扩展为一种令人愉悦的表达方式。

更新 2（很久以后）

我发现 .NET 有一个与我所询问的功能相近的功能。添加了一个答案来演示该功能。

Answer 1

我不知道可以捕获量词的正则表达式引擎。但是，PCRE 或 Perl 可以使用一些技巧来检查您是否有相同数量的字符。用你的例子：

@@@@ “星球大战” ==== “1977” ---- “科幻小说” //// “乔治卢卡斯”

您可以检查@ = - / 是否与使用the famous Qtax trick 的这种模式相平衡，（你准备好了吗？）：“拥有-可选自引用组”

~(?<!@)((?:@(?=[^=]*(\2?+=)[^-]*(\3?+-)[^/]*(\4?+/)))+)(?!@)(?=[^=]*\2(?!=)[^-]*\3(?!-)[^/]*\4(?!/))~

图案细节：

~                          # pattern delimiter
(?<!@)                     # negative lookbehind used as an @ boundary
(                          # first capturing group for the @
    (?:
        @                  # one @
        (?=                # checks that each @ is followed by the same number
                           # of = - /  
            [^=]*          # all that is not an =
            (\2?+=)        # The possessive optional self-referencing group:
                           # capture group 2: backreference to itself + one = 
            [^-]*(\3?+-)   # the same for -
            [^/]*(\4?+/)   # the same for /
        )                  # close the lookahead
    )+                     # close the non-capturing group and repeat
)                          # close the first capturing group
(?!@)                      # negative lookahead used as an @ boundary too.

# this checks the boundaries for all groups
(?=[^=]*\2(?!=)[^-]*\3(?!-)[^/]*\4(?!/))
~

主要思想

非捕获组仅包含一个@。每次重复该组时，都会在捕获组 2、3 和 4 中添加一个新角色。

所有格-可选的自引用组

它是如何工作的？

( (?: @ (?= [^=]* (\2?+ = ) .....) )+ )

在第一次出现 @ 字符时，捕获组 2 尚未定义，因此您不能编写类似 (\2 =) 的内容，这会使模式失败。为了避免这个问题，方法是使反向引用可选：\2?

该组的第二个方面是匹配的字符数 = 在每次重复非捕获组时递增，因为每次添加一个 =。为确保此数字始终增加（或模式失败），所有格量词强制在添加新的 = 字符之前首先匹配反向引用。

请注意，这个组可以这样看：如果组 2 存在，则将其与下一个 = 匹配

( (?(2)\2) = )

递归方式

~(?<!@)(?=(@(?>[^@=]+|(?-1))*=)(?!=))(?=(@(?>[^@-]+|(?-1))*-)(?!-))(?=(@(?>[^@/]+|(?-1))*/)(?!/))~

你需要使用重叠匹配，因为你会多次使用@部分，这就是为什么所有的模式都在lookarounds里面的原因。

图案细节：

(?<!@)                # left @ boundary
(?=                   # open a lookahead (to allow overlapped matches)
    (                 # open a capturing group
        @
        (?>           # open an atomic group
            [^@=]+    # all that is not an @ or an =, one or more times
          |           # OR
            (?-1)     # recursion: the last defined capturing group (the current here)
        )*            # repeat zero or more the atomic group
        =             #
    )                 # close the capture group
    (?!=)             # checks the = boundary
)                     # close the lookahead
(?=(@(?>[^@-]+|(?-1))*-)(?!-))  # the same for -
(?=(@(?>[^@/]+|(?-1))*/)(?!/))  # the same for /

与先例模式的主要区别在于，此模式不关心=- 和/ 组的顺序。 （但是，您可以轻松地对第一个模式进行一些更改以处理该问题，使用字符类和负前瞻。）

注意：对于示例字符串，更具体地说，您可以用锚（^ 或\A）替换否定的lookbehind。如果要获取整个字符串作为匹配结果，则必须在末尾添加.*（否则匹配结果将是空的，因为好玩会注意到它。）

Answer 2

五周后回来，因为我了解到 .NET 有一些非常接近问题中提到的“量词捕获”的想法。该功能称为“平衡组”。

这是我想出的解决方案。看起来很长，其实很简单。

(?:@(?<c1>)(?<c2>)(?<c3>))+[^@=]+(?<-c1>=)+[^=-]+(?<-c2>-)+[^-/]+(?<-c3>/)+[^/]+(?(c1)(?!))(?(c2)(?!))(?(c3)(?!))

它是如何工作的？

1. 第一个非捕获组匹配@ 字符。在那个非捕获组中，我们有三个命名组 c1、c2 和 c3，它们不匹配任何内容，或者更确切地说，匹配空字符串。这些组将用作三个计数器 c1、c2 和 c3。由于 .NET 在量化组时会跟踪中间捕获，因此每次匹配 @ 时，都会将捕获添加到组 c1、c2 和 c3 的捕获集合中。

2. 接下来，[^@=]+ 吃掉所有字符，直到第一个 =。

3. 第二个量化组 (?<-c1>=)+ 匹配 = 字符。该组似乎被命名为-c1，但-c1 不是组名。 -c1 is.NET 语法将一个捕获从 c1 组的捕获集合中弹出到以太中。换句话说，它允许我们减少 c1。如果在捕获集合为空时尝试减少 c1，则匹配失败。这确保了我们的 = 永远不会超过 @ 字符。 （稍后，我们必须确保 @ 的字符数不能超过 = 字符。）

4. 接下来的步骤对 - 和 / 字符重复步骤 2 和 3，递减计数器 c2 和 c3。

5. [^/]+ 吃掉了字符串的其余部分。

6. (?(c1)(?!)) 是一个条件语句，表示“如果组 c1 已设置，则失败”。您可能知道(?!) 是强制正则表达式失败的常用技巧。此条件确保 c1 一直递减到零：换句话说，@ 不能多于 = 字符。

7. 同样，(?(c2)(?!)) 和 (?(c3)(?!)) 确保 @ 不能超过 - 和 / 字符。

我不了解你，但即使这有点长，我觉得它真的很直观。