为什么 "ab(cd|c)*d" 完全匹配 "abcdcdd" 但 "ab(c|cd)*d" 不匹配？尽管他们彼此相似

Question

我试过这个正则表达式：

ab(cd|c)*d

在 regex101 和 RegExr 网站中。它与此文本完全匹配：

abcdcdd

现在让我们在正则表达式中交换 "cd" 和 "c"：

ab(c|cd)*d

当我在网站上尝试这个正则表达式时，我发现这个正则表达式 不完全匹配相同的文本。

为什么正则表达式引擎无法识别ab(cd|c)*d 和ab(c|cd)*d 相同，如何说服ab(c|cd)*d 匹配最长的字符串？

---

正则表达式：ab(cd|c)*d

在 13 步骤中匹配的完整文本：abcdcdd

---

正则表达式：ab(c|cd)*d

在 9 步骤中匹配的部分文本：abcdcdd

Answer 1

@MurrayW 的回答很好，但我想补充一些背景信息。

作为有限状态自动机的正则表达式

当我在大学里第一次学习正则表达式时，我们学会了将它们转换为有限状态自动机，本质上是将它们编译成图形，然后进行处理以匹配字符串。当你这样做时，(cd|c) 和 (c|cd) 被编译到同一个图中，在这种情况下，你的两个正则表达式都将匹配整个字符串。这就是grep 实际所做的：

两者

echo abcdcdd | grep --color -E 'ab(c|cd)*d'

和

echo abcdcdd | grep --color -E 'ab(cd|c)*d'

将整个字符串涂成红色。

我们称之为“正则表达式”的模式

真正的有限状态自动机有许多程序员不喜欢的限制，例如无法捕获匹配组，无法在模式的后期重用这些组，以及我忘记的其他限制，所以我们使用的正则表达式库在大多数编程语言中，都实现了更复杂的形式。我不记得它们究竟是什么，也许是下推自动机，但我们有记忆，我们有回溯，以及我们不假思索地使用的各种好东西。

冒着显得迂腐的风险，我们使用的模式根本不是“常规”的。我知道，差异通常是无关紧要的，我们只是希望我们的代码能够工作，但有时它很重要。

因此，虽然正则表达式 (cd|c) 和 (c|cd) 将被编译成相同的有限状态自动机，但这两个（非正则）模式反而变成了逻辑，表示从左到右尝试变体，并且仅当模式的其余部分稍后无法匹配时才回溯，因此您观察到的结果。

速度

虽然我们的“正则表达式”库支持的模式为我们提供了许多我们喜欢的好东西，但这些都是以性能为代价的。真正的正则表达式非常快，而我们的模式虽然通常很快，但有时可能非常昂贵。在此站点上搜索“灾难性回溯”，以获取许多需要指数时间才能失败的模式示例。与grep 一起使用的相同模式将被编译成一个图形，该图形以线性时间应用于字符串以进行匹配。

Answer 2

因为| 字符通过首先测试最左边的条件来执行or 操作。如果匹配，则不会在or 中进行进一步测试。如果失败，则测试下一个 or 元素，依此类推。

使用正则表达式模式ab(cd|c)*d，您可以看到(cd|c)* 的cd 部分在您的字符串中匹配，并且也重复：abcdcdd。

但是，在模式 ab(c|cd)*d 中，c 匹配来自 abcdcdd 中的 or 操作，因此根本不测试 cd。然后，模式末尾的d 匹配第一个c 之后的d，然后模式停止，只匹配abcdcdd

Answer 3

正如之前在 cmets 中所回答的，它们不是相同的模式。第一个中的 alternation 首先尝试匹配 cd，第二个尝试匹配 c 首先。

第一个模式

abcdcdd
  ^^^^
   ||
   ||
ab(cd|c)*d

第二种模式

 abcdcdd
   ^^____
   |     |
   |     |
ab(c|cd)*d

如果d 是可选的，您可以省略管道进行交替，并使d 可选。

ab(cd?)*d.

Regex demo

请注意，这样您会重复捕获组，该组将保存最后一次迭代的值。

如果您对组的价值不感兴趣并且支持非捕获组，您可以使用ab(?:cd?)*d.

Answer 4

正则表达式始终是从左到右的命题。
正则表达式引擎将忽略先前的交替构造的唯一方法
是它是否必须满足交替组右侧的一项
否则无法满足。

正则表达式规则是模式从左到右遍历，
但由从左到右遍历的目标字符串控制。

共生..

鉴于目标字符串的匹配方式如下“abcdcdd”
很容易假设完整正则表达式的正则表达式子集

 ab
 ( c | cd )*                   # (1)
 d

很明显

 ab
 c* 
 d

从来不需要右边交替的cd术语
一场成功的比赛。

这证明了正则表达式引擎是一个从左到右的偏见机器。