正则表达式可选捕获未按预期工作答案

【问题标题】：regex optional capture not working as expected正则表达式可选捕获未按预期工作
【发布时间】：2016-11-08 13:29:47
【问题描述】：

我需要像这样捕获所有字符串的元素

front stuff grp2="abc" middle stuff grp4="xyz" end stuff

这样分成这五组

#1: front stuff
#2: grp2="abc"
#3: middle stuff
#4: grp4="xyz"
#5: end stuff

只要五个部分都存在，这个表达式就可以解决问题

([\s\S]*?)(grp2=\"\S*?\")([\s\S]*?)(grp4=\"\S*?\")([\s\S]*)

但如果 grp4="..." 不存在，例如，

front stuff grp2="abc" end stuff

当然完全不匹配。

好吧，我可以像这样将第 4 组设为可选，对吧？

([\s\S]*?)(grp2=\"\S*?\")([\s\S]*?)(grp4=\"\S*?\")?([\s\S]*)

显然错了。产生的是这个（当 grp4 存在时）

#1: front stuff
#2: grp2="abc"
#3: 
#4: 
#5: middle stuff grp4="xyz" end stuff

第 4 组即使存在也不再匹配。

FWIW，我需要所有文本（所有组都必须是捕获组），因为我最终使用它来操作组 2 和 4（如果它们存在）的文本，并重构字符串。就像拿那个示例字符串并将它变成这个

front stuff grp2="123" middle stuff grp4="456" end stuff

在 regex101.com 上很容易看到这种行为。我已经尝试了我所知道的所有“可选”组合。我确定我一定是在做一些愚蠢的事情，而且我已经浪费了足够多的时间来解决这个问题，所以我终于寻求帮助了。

谢谢！

【问题讨论】：

Java 和 Javascript 是不同的语言，而且很可能有稍微不同的正则表达式方言。你真正对哪个感兴趣？
当您的第三个捕获组第一次测试时，它会针对空字符串进行测试，因为您使用了非贪婪运算符（它会尝试最小的匹配，并在每次匹配时逐渐增加尝试匹配的长度回溯）。这使得第四个捕获组也可以匹配空字符串（可选匹配），然后第五个捕获组捕获字符串的其余部分。无论grp4="..." 是否出现在字符串中，情况总是如此。
@JonSkeet 我同意 java 和 javascript 是不同的，但是，在这种情况下，我认为表达式是相同的（Java 中的额外转义除外）。如果解决方案不同，我确实需要用两种语言来做这件事。为了简单起见，我在测试用例中使用了 javascript 语法。
@danno57：您假设 Java 和 Javascript 中的正则表达式是相同的。我的经验是，正则表达式的各种方言之间存在细微的差异——除此之外，你的问题并没有说明它们……

标签： javascript java regex

【解决方案1】：

您可以将中间的middle stuff 和grp4 设为可选，因为两者都有end stuff。您的新正则表达式将是 ([\\s\\S]*?)(grp2=\"\\S*?\")(?:([\\s\\S]*?)(grp4=\"\\S*?\")){0,1}([\\s\\S]*)

String test = "front stuff grp2=\"abc\" middle stuff grp4=\"xyz\" end stuff";
Pattern p = Pattern.compile("([\\s\\S]*?)(grp2=\"\\S*?\")(?:([\\s\\S]*?)(grp4=\"\\S*?\")){0,1}([\\s\\S]*)");
Matcher m = p.matcher(test);

for(int i=1; i<=m.groupCount(); i++) {
    if(m.group(i)!=null) {
        System.out.println(i+": "+m.group(i));
    }
}
// String test = "front stuff grp2=\"abc\" middle stuff grp4=\"xyz\" end stuff";
// 1: front stuff 
// 2: grp2="abc"
// 3:  middle stuff 
// 4: grp4="xyz"
// 5:  end stuff

// String test = "front stuff grp2=\"abc\" end stuff";
// 1: front stuff 
// 2: grp2="abc"
// 3:  end stuff

【讨论】：

是的，这似乎有效！我在第 4 组之后尝试过 {0,1}，但没有想过对第 3 组做任何事情。谢谢！

【解决方案2】：

正则表达式中的 | 使您能够在掩码上设置 OR 选项。

您可以使用这种公式： ([\s\S]?)(grp2=\"\S?\")([\s\S]?)(grp4=\"\S ?\")([\s\S])|([\s\S]?)(grp2=\"\S*?\")([ \s\S])|([\s\S])(grp4=\"\S*?\")([\s\S]*)

即使 grp2 不存在或 grp4 不存在或两者都存在，它也可以工作。

希望对您有所帮助。

【讨论】：

是的，但它不能满足我捕获所有组的要求。它正确匹配 grp2 和/或 grp4 （如果两者都存在，则为 2 个匹配项，如您所说），但丢弃所有其他“东西”，我需要这些“东西”以便能够用组 2 和/或 4 重构原始字符串修改。