正则表达式匹配一个或两个，但不是两次

Question

我正在努力思考如何编写一个匹配以下任何一个的正则表达式：

pirates
scallywags
pirates scallywags
scallywags pirates

但这些都不是：

pirates pirates
scallywags scallywags
pirates booty scallywags
booty pirates

当然我可以列出所有可能的排列作为替代：

(pirates|scallywags|pirates scallywags|scallywags pirates)

但我觉得应该有一个 easier/more 有效的方法。

Answer 1

[当我写这篇文章时，我想象在感兴趣的单词之前、之后和之间可能会有其他单词。但这不是你问的。我会在这里留下答案，以防万一有人觉得它有用。]

使用多个匹配项最易读。

/\b(?:pirates|scallywags)\b/
&& !/\b booty \b/x &&
&& !/\b(pirates|scallywags)\b .* \b\b/xs

仅使用两个已经影响可读性。

/\b(?:pirates|scallywags)\b/
&& !/ \b (?: booty | (pirates|scallywags)\b .* \b ) \b/xs

一个就可以完成。

/
   ^
   (?! .* \b (?: booty | (pirates|scallywags)\b .* \b ) \b )
   .* \b(?:pirates|scallywags)\b
/xs

如果你想避免扫描字符串两次，你可以使用以下方法：

/
   ^
   (?:(?! \b(?:booty|pirates|scallywags)\b ).)*
   \b(?:pirates|scallywags)\b
   (?:(?! \b(?:booty|pirates|scallywags)\b ).)*
   \z
/xs

事实证明，对于熟悉 (?:(?!PATTERN).)* 惯用语的人来说，它相当易读。

这三个中哪个最快可能取决于被搜索字符串的长度、它们包含 pirates 或 scallywags 的频率、它们包含 booty 的频率以及它们如何接近他们的起点 pirates 或 scallywags 时通常会被发现。

Answer 2

仍然不够聪明，但会工作：

^(pirates|scallywags)(?! )( (pirates|scallywags))?$

Answer 3

可能的解决方案，但可能远非最佳（否定匹配）

use strict;
use warnings;
use feature 'say';

my $re = qr/\b(pirates|scallywags)\b\s+|\bbooty\b/;

while(<DATA>) {
    chomp;
    say if $_ !~ /$re/;
}


__DATA__
pirates
scallywags
pirates scallywags
scallywags pirates
pirates pirates
scallywags scallywags
pirates booty scallywags
booty pirates

输出

pirates
scallywags
pirates scallywags
scallywags pirates

Answer 4

如果你只有两个词，那么你已经有了最好的解决方案（除了不必要的捕获和丢失的锚点）。

如果您有更多的单词，那么正则表达式引擎不是您的最佳选择。

最有效的基于正则表达式的方法是您拥有的方法：

$str =~ /^(?:pirates|scallywags|pirates scallywags|scallywags pirates)\z/

缺点是代码重复。通过动态构建模式可以避免这种情况，同时保留大部分效率。

use Math::Combinatorics qw( );

sub build_re {
   my @quoted = map quotemeta, @words;
   my @alts;
   for my $r (1..$#words) {
      my $mc = Math::Combinatorics->new( count => $r, data => \@quoted );
      while ( my @combo = $mc->next_combination ) {
         push @alts, join " ", @combo;
      }
   }

   my $alt = join "|", @alts;
   return qr/^(?:$alt)\z/;
}

my @words = qw( pirates scallywags );
my $re = build_re(\@words, $re);

$str =~ $re
   or die "Invalid\n";

好吧，两个字不值得，但如果有 5 个呢？手动创建 31 个字符串非常容易出错。上面的代码将创建这 31 个字符串，Perl 正则表达式引擎将从它们创建一个高效的 trie。

但在这一点上使用正则表达式引擎真的是最好的选择吗？让我们改用计数集。

sub check {
   my $words = shift;

   my %counts;
   ++$counts{$_} for split ' ', $_[0];

   my $any;
   for (@words) {
      my $count = delete($counts{$word})
         or next;

      return 0 if $count > 1;
      ++$any;
   }

   return $any && !%counts;
}

my @words = qw( pirates scallywags );
check(\@words, $str)
   or die "Invalid\n";

正则表达式匹配一个或两个，但不是两次

Regex match either or both, but not twice

regex

perl

pcre