多行字符串文字的正则表达式产生 `StackOverflowError`

Question

我想匹配包含在三重 "-quotes 中的字符串，这些字符串可能包含换行符，并且除了开头和结尾之外不包含任何 """-substrings。

有效示例：

"""foo
bar "baz" blah"""

无效示例：

"""foo bar """ baz"""

我尝试使用以下正则表达式（作为 Java String 文字）：

"(?m)\"\"\"(?:[^\"]|(?:\"[^\"])|(?:\"\"[^\"]))*\"\"\""

它似乎适用于简短的例子。但是，在较长的示例中，例如在包含数千行 hello world 的字符串上，它会给我一个 StackOverflowError。

Scala sn-p 重现错误

import java.util.regex.{Pattern, Matcher}

val text = "\"" * 3 + "hello world \n" * 1000 + "\"" * 3
val p = Pattern.compile("(?m)\"\"\"(?:[^\"]|(?:\"[^\"])|(?:\"\"[^\"]))*\"\"\"")
println(p.matcher("\"\"\" foo bar baz \n baz bar foo \"\"\"").lookingAt())
println(p.matcher(text).lookingAt())

（注意：本地测试，Scastie 超时；或者可能将 1000 减少到更小的数字？）。

产生相同错误的 Java sn-p

import java.util.regex.Pattern;
import java.util.regex.Matcher;

class RegexOverflowMain {
  public static void main(String[] args) {
    StringBuilder bldr = new StringBuilder();
    bldr.append("\"\"\"");
    for (int i = 0; i < 1000; i++) {
      bldr.append("hello world \n");
    }
    bldr.append("\"\"\"");
    String text = bldr.toString();
    Pattern p = Pattern.compile("(?m)\"\"\"(?:[^\"]|(?:\"[^\"])|(?:\"\"[^\"]))*\"\"\"");
    System.out.println(p.matcher("\"\"\" foo bar baz \n baz bar foo \"\"\"").lookingAt());
    System.out.println(p.matcher(text).lookingAt());
  }
}

问题

知道如何使这个“堆栈安全”，即有人能找到一个接受相同语言的正则表达式，但在提供给 Java 正则表达式 API 时不会产生 StackOverflowError？

我不在乎解决方案是使用 Scala 还是 Java（或其他），只要使用相同的底层 Java 正则表达式库即可。

Answer 1

下面的完整答案优化了正则表达式的性能，但为了防止堆栈溢出，作为一个简单的解决方案，只需使重复组占有。

具有选择的非占有重复组需要递归调用以允许回溯。使其具有所有格可以解决问题，因此只需在* 之后添加+：

"(?m)\"\"\"(?:[^\"]|(?:\"[^\"])|(?:\"\"[^\"]))*+\"\"\""

---

还要注意，如果你想匹配整个输入，你需要调用matches()，而不是lookingAt()。

---

性能提升

注意：快速性能测试表明这比 answer by x4rf41 中的正则表达式快 6 倍以上。

而不是匹配一个

• 不是报价：[^\"]
• 正好有一个报价：(?:\"[^\"])
• 正好两个引号：(?:\"\"[^\"])

在一个循环中，首先将所有内容匹配到一个引号。如果那是单引号或双引号，但不是三引号，则匹配 1-2 个引号，然后所有内容直到下一个引号，根据需要重复。最后匹配结尾的三引号。

匹配是确定的，所以使重复具有所有格。如果输入包含许多嵌入式引号，这也可以防止堆栈溢出。

"{3}          match 3 leading quotes
[^"]*+        match as many non-quotes as possible (if any) {possesive}
(?:           start optional repeating group
   "{1,2}       match 1-2 quotes
   [^"]++       match one or more non-quotes (at least one) {possesive}
)*+           end optional repeating group                  {possesive}
"{3}          match 3 trailing quotes

由于你不用^或$，所以不需要(?m)（MULTILINE）

作为Java字符串：

"\"{3}[^\"]*+(?:\"{1,2}[^\"]++)*+\"{3}"

Answer 2

使用负前瞻的解决方案基本上找到以""" 开头并以""" 结尾并且包含不包含""" 的内容的字符串

作为普通正则表达式：^"""((?!""")[\s\S])*"""$

Java 转义正则表达式："^\"\"\"((?!\"\"\")[\\s\\S])*\"\"\"$"

\s\S 包括换行符（基本上是. + 换行符或. 带有单行标志）

这应该在没有多行标志的情况下使用，以便^ 和$ 匹配字符串的开头和结尾，而不是行的开头和结尾

否则：

""" ab """abc""" abc """

会匹配

我也以此作为参考来了解如何排除""":Regular expression to match a line that doesn't contain a word?