惰性量词在 PCRE 中究竟是如何工作的？答案

【问题标题】：How exactly do the lazy quantifiers work in PCRE?惰性量词在 PCRE 中究竟是如何工作的？
【发布时间】：2014-01-16 08:39:40
【问题描述】：

一些背景知识：我正在实现一个正则表达式匹配引擎 (NFA)，它应该支持 PCRE 兼容模式（我的意思是它应该捕获具有与 PCRE 相同的偏移量的子表达式）。

PCRE 的 testinput1 中有一个测试，我无法完全理解。它测试惰性量词。

所以，正则表达式是

/<a[\s]+href[\s]*=[\s]*          # find <a href=
 ([\"\'])?                       # find single or double quote
 (?(1) (.*?)\1 | ([^\s]+))       # if quote found, match up to next matching
                                 # quote, otherwise match up to next space
/isx

字符串是

<a href="abcd xyz pqr" cats

PCRE 的匹配是：

<a href="abcd xyz pqr"

它显然使用了惰性量词。

据我了解，在完全不可能使用另一种“贪婪”方式之前，不应使用惰性量词。现在这是一个可能的贪婪匹配：

<a href="abcd

它使用条件子模式的负分支，没有惰性量词。

因此，我正在寻找对此 PCRE 行为的解释或任何详细信息/建议，为什么惰性量词在此测试中匹配。谢谢！

编辑：我还检查了TRE 库的工作原理。这是一个与 POSIX 兼容的 NFA 引擎。我稍微修改了原始的正则表达式以适应 TRE 的语法：

#include <stdlib.h>
#include <stdio.h>
#include <tre/tre.h>

int main()
{
    regex_t preg;
    const char * regex = "<a[ ]+href[ ]*=[ ]*(?:(')(.*?)'|[^ ]+)";
    const char * string = "<a href='abcd xyz pqr' cats";
    int cflags = REG_EXTENDED;
    int eflags = 0;
    size_t nmatch = 3;
    regmatch_t pmatch[100];

    tre_regcomp(&preg, regex, cflags);
    tre_regexec(&preg, string, nmatch, pmatch, eflags);

    for (int i = 0; i < nmatch; i++) {
        printf("%d: (%d, %d)\n", i, pmatch[i].rm_so, pmatch[i].rm_eo - pmatch[i].rm_so);
    }

    return 0;
}

输出（使用长度而不是结束偏移）是：

0: (0, 22)
1: (8, 1)
2: (9, 12)

所以关于 PCRE 的回溯特定行为的建议很可能是错误的......

【问题讨论】：

我曾经犯过一个错误，就是看看它是如何完成的。 SCARY！ 据我所知，完整的 PCRE 需要堆栈评估模型，而不是自动机理论模型。与基于自动机的方法最接近的可能是 PostgreSQL 和 Tcl 中使用的 RE 引擎，但这真的很复杂。
感谢您的快速回复。但这似乎不是回溯的特定行为（请参阅编辑），并且可以使用自动机实现（尽管我知道 TRE 未能通过 AT&T 测试数据存储库的一些 POSIX 合规性测试，因此，这种行为可能是一种“错误")。

标签： regex nfa

【解决方案1】：

首先，我只是 REGEX 世界的初学者。所以，如果这个答案是错误的或者我误解了这个问题，我很抱歉。

阅读这本书中的定义Regular Expressions Cookbook：

(?(1)then|else) 是一个条件，检查第一个捕获组是否已经匹配了一些东西。如果有，正则表达式引擎会尝试匹配然后。如果捕获组到目前为止还没有参加比赛尝试，尝试 else 部分。

这个主题：<a href="abcd xyz pqr" cats

第一个捕获组与第一个 " 字符匹配。因此，预期的行为是尝试匹配 then 部分。 then 部分中的第二个捕获组设法将字符串abcd xyz pqr 与(.*?) 匹配，最后then 部分设法将abcd xyz pqr" 与(.*?)\1 匹配。 REGEX 可能会成功完成。

因此，不需要带有贪婪量词的 else 部分，实际上它没有被使用。就好像贪婪的量词从未存在过一样。
这个主题：<a href="abcd

第一个捕获组匹配了" 字符。现在 then 部分设法将字符串 abcd 与 (.*?) 匹配，但它永远不会匹配最后一个 " 字符，因为主题末尾没有这样的字符。条件失败。

REGEX 引擎不会在这里停止，你已经使用了([\"\'])? 所以，引擎可能会再试一次，因为" 字符是可选的，并且它会继续运行，就好像第一个捕获组没有匹配（确实有回溯）。因此，现在引擎达到了第一个捕获组不匹配的条件，尝试 else 部分并设法匹配字符串"abcd（" 字符由于回溯而与第一个捕获组不匹配现在它与 else 部分中的第三个捕获组匹配）正则表达式可能会成功完成。

PS：我正在学习有关正则表达式的有趣内容，所以这个答案可能完全错误。等待更好的答案。

【讨论】：

【解决方案2】：

我在这里不完全理解您的问题，但非贪婪量词允许搜索模式的第一次出现。使用 pcretest，您可以在相同的输入上尝试贪婪和非贪婪形式。

非贪心形式：

  re> /<a[\s]+href[\s]*=[\s]*([\"\'])?(?(1)(.*?)\1|([^\s]+))/i
  data> <a href="ab"cd"
    0: <a href="ab"
    1: "
    2: ab

贪婪形式：

 re> /<a[\s]+href[\s]*=[\s]*([\"\'])?(?(1)(.*)\1|([^\s]+))/i
 data> <a href="ab"cd"
    0: <a href="ab"cd"
    1: "
    2: ab"cd

【讨论】：