为什么我的 Perl 正则表达式只能找到最后一次出现？

Question

我在 Perl 脚本中有以下输入，我希望在每个 <table>...</table> 结构中首次出现 NAME="..." 字符串。

整个文件被读入单个字符串，正则表达式作用于该输入。

但是，正则表达式总是返回最后一次出现的 NAME="..." 字符串。谁能解释发生了什么以及如何解决这个问题？

Input file: 
ADSDF
<TABLE>
NAME="ORDERSAA"
line1
line2
NAME="ORDERSA"
line3
NAME="ORDERSAB"
</TABLE>
<TABLE>
line1
line2
NAME="ORDERSB"
line3
</TABLE>
<TABLE>
line1
line2
NAME="ORDERSC"
line3
</TABLE>
<TABLE>
line1
line2
NAME="ORDERSD"
line3
line3
line3
</TABLE>
<TABLE>
line1
line2
NAME="QUOTES2"
line3
NAME="QUOTES3"
NAME="QUOTES4"
line3
NAME="QUOTES5"
line3
</TABLE>
<TABLE>
line1
line2
NAME="QUOTES6"
NAME="QUOTES7"
NAME="QUOTES8"
NAME="QUOTES9"
line3
line3
</TABLE>
<TABLE>
NAME="MyName IsKhan"
</TABLE>

Perl 代码从这里开始：

use warnings;
use strict;

my $nameRegExp = '(<table>((NAME="(.+)")|(.*|\n))*</table>)';

sub extractNames($$){
 my ($ifh, $ofh) = @_;
 my $fullFile;
 read ($ifh, $fullFile, 1024);#Hardcoded to read just 1024 bytes.
 while( $fullFile =~ m#$nameRegExp#gi){
  print "found: ".$4."\n";
 }
}

sub main(){
 if( ($#ARGV + 1 )!= 1){
  die("Usage: extractNames infile\n");
 }
 my $infileName = $ARGV[0];
 my $outfileName = $ARGV[1];
 open my $inFile, "<$infileName" or die("Could not open log file $infileName");
 my $outFile;
 #open my $outFile, ">$outfileName" or die("Could not open log file $outfileName");
 extractNames( $inFile, $outFile );
 close( $inFile );
 #close( $outFile );
}

#call 
main();

Answer 1

试试这个：

'(?><TABLE>\n+(?:(?!</TABLE>|NAME=).*\n+)*)NAME="([^"]+)"'

(?:.*\n+)* 消耗任何不需要的行，而嵌入的前瞻 - (?!</TABLE>|NAME=) - 防止它超出第一个 NAME 字段或 TABLE 记录的末尾。为了防止没有 NAME 字段的记录，我将大部分表达式包装在一个原子组中 -- (?>...) -- 以防止无意义的回溯。

请注意，现在只有一个捕获组。仅当您确实需要捕获某些内容时才使用它们是一种很好的做法；否则，请使用非捕获品种：(?:...)。

---

编辑：至于你的正则表达式为什么不起作用，简短的回答是贪婪。匹配开始标签后，这部分接管：

((NAME="(.+)")|(.*|\n))*

最外层括号中的部分可以匹配任何内容：标签、NAME= 行、换行符——甚至是空行。将其包裹在一个由贪婪的* 控制的组中，现在它匹配所有内容。没有任何东西可以让它在第一个 NAME 字段，甚至在记录的末尾停止匹配。

所以它实际上是在“查找”每一个出现的NAME="..." 字符串，但它是在一次匹配尝试中完成的，它会一次消耗整个输入。随着封闭* 的每次迭代，捕获组被覆盖；完成后，最终的 NAME 值 -- MyName IsKhan -- 恰好留在第 4 组中。

我使用负前瞻来检查贪心，但您也可以通过使用非贪心量词更直接地做到这一点。以下是我的正则表达式用不情愿的 * 代替否定前瞻的样子：

'<TABLE>\n+(?:.*\n+)*?NAME="([^"]+)"'

不过，简单地切换到非贪婪量词对您的正则表达式没有帮助；您还必须进行一些结构更改。

Answer 2

首先，使用正则表达式解析 XML 是个坏主意。 其次，您需要将您的正则表达式更改为以下内容：

my $nameRegExp = '(<table>((NAME="(.+)?")|(.*?|\n))*?</table>)';

这样正则表达式变得不贪心，应该返回第一次出现。

Answer 3

尝试让你的正则表达式不贪婪：

my $nameRegExp = '(<table>((NAME="(.+?)")|(.*?|\n))*</table>)';

即使是上面的正则表达式也会列出文件中的所有 NAME 行。它将仅列出每个 <TABLE>...</TABLE> 块中的一个 NAME 行（最后一个）。

列出您可以执行的所有 NAME 行：

my $nameRegExp = 'NAME="(.+?)"';

和print $1;

Answer 4

$/ = '</TABLE>';
while (<>) {
    chomp;
    @F = split "\n";
    $g = 0;
    for ($o = 0; $o <= $#F; $o++) {
        if ($F[$o] =~ /^NAME=/) {
            $F[$o] =~ s/^NAME=//g;
            $v = $F[$o];
            $g = 1;
            last;
        }
    }    
    if ($g) {  print $v."\n"; }
}

输出

$ perl myscript.pl file
"ORDERSAA"
"ORDERSB"
"ORDERSC"
"ORDERSD"
"QUOTES2"
"QUOTES6"
"MyName IsKhan"

它的全部要点：使用</TABLE> 作为记录分隔符和换行符作为字段分隔符。浏览每个字段并找到NAME=。如果找到，替换并获取= 符号后面的字符串。