匹配正则表达式中的可选字符串

Question

我在匹配正则表达式中的 optional 模式组时遇到问题。 元字符 * 和 + 是贪婪的，所以我认为元字符？也会很贪心，但它似乎不像我想的那样运作。

理论上我假设如果我们选择使模式组可选，如果模式组在字符串中找到，它将在匹配结果中返回，如果没有找到我们仍将获得整体匹配结果，但结果中缺少此匹配项。

实际发生的情况是，如果我的模式在字符串中匹配，它不包含在匹配结果中，正则表达式似乎注意到模式组是可选的，甚至不费心去尝试匹配它。

如果我们设置一个测试并将这个可选模式组更改为非可选，正则表达式会将其包含在匹配结果中，但这仅适用于测试，因为有时该模式在字符串中不可用。

我之所以需要将匹配结果包含在结果中，是因为我需要匹配结果以供日后分析。

Encase 我没有很好地描述这个场景，我在 PHP 中设置了一个非常简单的示例。

$string = 'This is a test, Stackoverflow. 2014 Cecili0n';

if(preg_match_all("~(This).*?(Stackoverflow)?~i",$string,$match))
    print_r($match);

结果

Array
(
    [0] => Array
        (
            [0] => This
        )

    [1] => Array
        (
            [0] => This
        )

    [2] => Array
        (
            [0] => 
        )
)

(Stackoverflow)? 是可选模式，如果我们运行上面的代码，即使该模式在字符串中可用，它也不会在匹配结果中返回。

如果我们将此模式组设为强制性，它将在结果中返回，如下所示。

if(preg_match_all("~(This).*?(Stackoverflow)~i",$string,$match))
    print_r($match);

结果

Array
(
    [0] => Array
        (
            [0] => This
        )

    [1] => Array
        (
            [0] => This
        )

    [2] => Array
        (
            [0] => Stackoverflow
        )
)

我怎样才能做到这一点？获得有关如何找到匹配项的准确数据对我来说很重要。

感谢您对此事的任何想法。

Answer 1

这里发生了什么

这可能令人惊讶，但这实际上是预期的行为。让我们分解正则表达式并将其翻译成人类可读的术语：

(This)               Match "This" literally
.*?                  Match any character **as few times as possible**,
                     while still allowing the rest of the expression to match
(Stackoverflow)?     Match "Stackoverflow" literally **if possible**

那么会发生什么：

• 正则表达式引擎匹配“This”。
• 然后它必须考虑*? 量词应该匹配多少个字符。
• 假设我们匹配零个字符。这是否允许表达式的其余部分匹配？换句话说，(Stackoverflow)? 是否匹配“是一个测试，Stackoverflow.2014 Cecili0n”？
• 子模式是可选的，所以它是可选的！因此，.*? 匹配零个字符。
• 最终的子模式(Stackoverflow)? 匹配什么？显然在尝试匹配的位置没有任何东西。

最终结果：两个量化子模式都匹配空字符串。

如何得到预期的结果

如果将所有内容都设为可选不起作用，您如何选择匹配“Stackoverflow”？通过明确说明正则表达式引擎的可接受选项：

~(This)(.*?(Stackoverflow)|.*?)~i

这指示引擎要么尽可能多地匹配文字“Stackoverflow”，要么尽可能多地匹配。通过首先列出“包含 Stackoverflow”选项，您可以确保如果它确实存在于文本中，它将被匹配。

显然.*? 选项在此示例中没有太大意义，但我将保留它，因为我想描述一种无论实际正则表达式如何都可以工作的“机械”转换。

请注意，为了保持与原始正则表达式的完全等价，必须将用于结构目的的额外组设为非捕获：

~(This)(?:.*?(Stackoverflow)|.*)~i

See it in action.

Answer 2

我已经对此进行了实验，但似乎无法破解它。同时，一种可行的选择是进行两次测试，如下例所示

$string = 'This is a test, Stackoverflow. 2014 Cecili0n';
$pattern1 = "~(This).*?(Stackoverflow)~i";
$pattern2 = "~(This).*?~i";

if(preg_match_all($pattern1,$string,$match)) {
    print_r($match);
} elseif(preg_match_all($pattern2,$string,$match)) {
    print_r($match);
}

当我找到更好的东西时，我会更新答案。