+和*之间的Tcl贪婪子表达式差异

Question

我试图理解 Tcl 子表达式匹配和“贪婪”，但完全不知道发生了什么。参考http://wiki.tcl.tk/396的示例：

%regexp -inline (.*?)(n+)(.*) ennui
en e n {} 
%regexp -inline ^(.*?)(n+)(.*)$ ennui
ennui e nn ui

尽管我并不完全理解“嵌套表达式”（这就是括号中的含义，对吗？）匹配，但我还是决定从小处着手，尝试将 * 和 + 作为贪婪运算符的区别：

% regexp -inline (.*)(u*)(.*) ennui
ennui ennui {} {}
% regexp -inline (.*)(u+)(.*) ennui
ennui enn u i

如果 * 匹配零个或多个，而 + 匹配一个或多个，我不明白这两个命令之间的输出差异。为什么 u* 和 u+ 在同一个字符串上会产生两个不同的结果？

我觉得这是一个非常重要的细微差别——如果我能掌握这个简单的模式匹配/正则表达式中发生的事情，我的生活就会变得完整。帮助！

提前致谢。

Answer 1

关于不贪心。 Tcl 正则表达式有一个怪癖：表达式中的 first 量词设置 whole 表达式的贪心度。 （请参阅re_syntax manual page 的“匹配”部分，密切关注“preference”一词）：

一个分支与其中第一个具有偏好的量化原子具有相同的偏好。

%regexp -inline (.*?)(n+)(.*) ennui
en e n {} 

• (.*?) 抓取零个或多个字符，首选最短匹配项
• (n+) 抓取一个或多个n，继承最短偏好
• (.*) 抓取零个或多个字符，继承最短的偏好

第一个子表达式匹配从第一个字符到但不包括第一个n。第二部分匹配一个n。第三部分匹配第一个和第二个n之间的零个字符。

我有点惊讶第一个子表达式捕获e 而不是在第一个n 之前捕获零个字符，但这可以通过“最左”匹配到正则表达式引擎的更高优先级来解释：

如果一个 RE 可以匹配给定字符串的多个子字符串，则 RE 匹配字符串中最早开始的那个。

锚定表达式的结果也让我感到惊讶：我会期待e n nui 而不是e nn ui。添加$ 锚点似乎已经放弃了表达式对最短匹配的偏好。

Answer 2

(.*)(u*)(.*) 和(.*)(u+)(.*) 不同的原因是第二个正则表达式至少需要1 个u。

Tcl 中的 ARE 正则表达式使用回溯（与大多数 NFA 一样）。使用(.*)，引擎从头到尾抓取整个字符串，并开始回溯以查找它是否可以容纳下一个子模式。

在第一个表达式中，u 是可选的（由于* 可以为0），因此，贪婪的.* 决定它不会产生任何字符。那么，最后一个.*也可以匹配0个字符，同样，不需要给那个组任何字符。

在第二个表达式中，u 是强制性的，必须至少出现一次。因此，引擎会抓取第一个.* 的所有字符串，然后回溯并找到u。因此，它将起始序列放入第 1 组，并匹配并捕获 u 和 (u+)。由于u 仅是 1，因此最后一个 (.*) 匹配并捕获字符串的其余部分。

Answer 3

@stribizhev 的回答几乎解释了一切。至于您的非贪婪版本 - 最后的问号告诉引擎它不应该消耗整个字符串，而是抓住尽可能少的匹配并从那里继续。

• (.*?) for "ennui" 匹配 0 个字符，没关系，因为我们并不贪心
• (n+) for "ennui" 匹配失败，因此引擎再次返回匹配 (.*?)
• (.*?) for "ennui" 现在匹配一个字符 e
• (n+) for "nnui" 匹配 nn，因为它很贪心
• (.*) for "ui" 匹配剩下的，ui