非贪心字符串正则表达式匹配

Question

我很确定我在这里遗漏了一些明显的东西，但我不能让 R 使用非贪婪的正则表达式：

> library(stringr)
> str_match('xxx aaaab yyy', "a.*?b")                                         
     [,1]   
[1,] "aaaab"

基本函数的行为方式相同：

> regexpr('a.*?b', 'xxx aaaab yyy')
[1] 5
attr(,"match.length")
[1] 5
attr(,"useBytes")
[1] TRUE

根据http://stat.ethz.ch/R-manual/R-devel/library/base/html/regex.html 中的“贪婪”评论，我希望匹配只是ab：

默认情况下重复是贪心的，所以使用最大可能的重复次数。 可以通过附加将其更改为“最小”？到量词。 （还有更多 允许近似匹配的量词：请参阅 TRE 文档。）

谁能解释一下这是怎么回事？

更新。 疯狂的是，在其他一些情况下，非贪婪模式的行为符合预期：

> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*>')
     [,1]                                          
[1,] "<a href=\"abc\">link</a> yyy <h1>Header</h1>"
> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*?>')
     [,1]              
[1,] "<a href=\"abc\">"

Answer 1

概念比较难，所以我会尽力而为...如果有点混乱，请随时编辑和解释。

从左到右搜索与您的模式匹配的表达式。是的，以下所有字符串 aaaab、aaab、aab 和 ab 都与您的模式匹配，但 aaaab 是最左边开始的字符串，是返回的字符串。

所以在这里，你的非贪婪模式不是很有用。当非贪婪模式出现时，也许这个其他示例会帮助您更好地理解：

str_match('xxx aaaab yyy', "a.*?y") 
#      [,1]     
# [1,] "aaaab y"

这里所有的字符串aaaab y、aaaab yy、aaaab yyy都匹配了模式并且从相同的位置开始，但是因为非贪婪模式而返回了第一个。

---

那么你能做些什么来抓住最后一个ab？使用这个：

str_match('xxx aaaab yyy', ".*(a.*b)")
#      [,1]        [,2]
# [1,] "xxx aaaab" "ab"

它是如何工作的？通过在前面添加一个贪婪模式.*，您现在强制进程将最后一个可能的a 放入捕获的组中。

Answer 2

问题是匹配两个字符串之间的最短窗口。 @flodel 正确地提到正则表达式引擎正在从左到右解析字符串，因此所有匹配项都是 leftmost。贪婪和懒惰只适用于右边的边界：贪婪的量词使子串到达最右边的边界，而懒惰的量词将匹配第一次出现的子模式。

查看示例：

> library(stringr)
> str_extract('xxx aaaab yyy', "a[^ab]*b")
[1] "ab"
> str_extract('xxx aaa xxx aaa zzz', "xxx.*?zzz")
[1] "xxx aaa xxx aaa zzz"
> str_extract('xxx aaa xxx aaa zzz', "xxx(?:(?!xxx|zzz).)*zzz")
[1] "xxx aaa zzz"

第一个和第三个场景返回最短的窗口，第二个场景是当前问题的一个说明，但是有一个多字符输入。

场景 1. 边界是单个字符

如果a 和b 是单个字符，则使用否定字符类找到最短窗口。 a[^ab]*b 将轻松地从 a 到下一个 b 获取子字符串，中间没有 as 和 bs。

场景 2. 边界不是单个字符

在这些可以进一步展开的情况下，您可以使用tempered greedy token。 xxx(?:(?!xxx|zzz).)*zzz 模式匹配 xxx，然后是除换行符之外的任何 0+ 字符，它不是 xxx 或 zzz 字符序列的起始字符（(?!xxx|zzz) 是 负前瞻 如果紧靠右侧的子字符串与前瞻模式匹配，则匹配失败），然后是 zzz。

这些匹配场景可以很容易地与 base R regmatches 一起使用（使用支持前瞻的 PCRE 正则表达式风格）：

> x <- 'xxx aaa xxx aaa zzz xxx bbb xxx ccc zzz'
> unlist(regmatches(x, gregexpr("xxx(?:(?!xxx|zzz).)*zzz", x, perl = TRUE)))
[1] "xxx aaa zzz" "xxx ccc zzz"

注意：当在 base R 中使用 PCRE 正则表达式或在 str_extract/str_match 中使用 ICU 正则表达式时，. 与换行符不匹配，要启用该行为，您需要添加 (?s)在模式开始处（内联 DOTALL 修饰符）。