具有多字符 unicode 符号的正则表达式匹配行为答案

【问题标题】：Regex matching behavior with multi-character unicode symbol具有多字符 unicode 符号的正则表达式匹配行为
【发布时间】：2021-07-29 10:10:35
【问题描述】：

我无法理解使用多字符 unicode 符号观察到的一些行为。

以字符串???????????????????????????????????????? 和正则表达式(????????|????????)(?![????]) 为例，我得到三个匹配项：两个标志和最后一手牌。 预期： 5 个匹配项，每个符号一次。

因为两者都有??????????和？？？？？？？？是 2 个字符符号，我尝试编写一个非 unicode 示例。使用字符串abcdabcdab 和正则表达式(ab|cd)(?![b])，我得到了预期的5 个匹配项，每对ab 和cd 一次。

考虑到???????? 和???? 之间可能存在一些交互，我使用了不同的unicode 字符，给了我正则表达式(????????|????????)(?![????])。在这里，我得到了与第一个示例相同的结果。

由于???? 和???? 通常不单独使用，我尝试使用“普通”Unicode 或ASCII 字符代替????。在我的示例中，我使用了 ???? 和 a，这给了我 5 次匹配的预期结果，每个符号一次。

是否有人能够解释这种行为，或者这是一个错误？

此行为仅发生在 PCRE 和 JavaScript 正则表达式引擎中，我使用此站点进行了测试。 https://regex101.com/

【问题讨论】：

您不应该在字符类中放置多字节字符，您只需删除括号(????????|????????)(?!????)。在字符类内部，它被“分解”为两个字节的序列，\uD83C\uDFFE 匹配其中任何一个，而不是作为序列，而手形表情符号是\uD83E\uDD1A\uD83C\uDFFE 的序列（以这两个字节结尾）

标签： regex unicode pcre

【解决方案1】：

您不应该将多字节字符放在像(?![?]) 这样的字符类中。在字符类内部，它被“分解”为两个字节的序列， \uD83C 和 \uDFFE ，匹配其中任何一个，而不是作为序列。由于手形表情是\uD83E\uDD1A\uD83C\uDFFE 的序列（以这两个字节结尾），因此触发了前瞻并影响了匹配。

要解决此问题，您只需删除括号并使用(??|??)(?!?) 以便? 字符可以被视为字节序列，而不是一个或另一个字符。

【讨论】：