为什么这两个正则表达式不一样？

Question

我最近回答了 this question，这让我开始考虑模拟可变宽度后视。

无效：

(?:(?<=<\/)|(?<=<))[^ >]+

https://regex101.com/r/1wQz5E/1/

作品：

(?:(?<=<\/)|(?<=<))[^ >\/]+

https://regex101.com/r/1wQz5E/2

期望从匹配中省略结束标记的正斜杠。

我正在努力思考为什么我的第一个示例无法按预期运行。

源字符串：

<!DOCTYPE html>

<html lang="en" xmlns="http://www.w3.org/1999/xhtml">
<head>
    <meta charset="utf-8" />
    <title></title>
</head>
<body>
    <a></a>
</body>
</html>

Answer 1

首先，您的第一个正则表达式可以缩短为 (?<=<\/|<)[^ >]+，使用更短的模式更容易。

请记住，正则表达式引擎从左到右解析字符串。 (?<=<\/|<) 后视匹配位置紧接在 </ 或 < 之前，即 < 或 </.

之后的位置

当输入为</a>时，<之后的位置首先用(?<=<\/|<)模式找到（因为它比[=15=之后的位置更靠左） ]), 然后 [^ >]+ 消耗 / 和它可以匹配的所有内容，并且 [^ >]+ 可以匹配 / 和 <, lookbehind 模式匹配的所有字符。

交替中先匹配的获胜，this rule这里并没有被破坏，只是交替在这里恰好是非消耗模式，这一点也应该记住。

这里的经验法则是：交替，或未知长度量词，如 +/*/{1,x} 在 lookbehind 模式的末尾 紧随其后的消费模式也匹配那些尾随的 lookbehind 模式，使 lookbehind 模式匹配最少的字符，随后的消费模式往往会尽早开始抓取内容尽他们所能。

在这种情况下，最安全的解决方案 是使用消耗模式而不是无限长度的回溯以及 捕获组 以捕获匹配的所需部分：

(?:<\/|<)([^ >]+)
<\/?([^ >]+)

或者，在 PCRE/Onigmo/PyPi Python 正则表达式中，您也可以使用 \K:

<\/?\K[^ >]+

这里，非捕获(?:<\/|<)组或<\/?模式将匹配并消耗<或</，而([^ >]+)捕获组将产生预期的子字符串，因为它没有机会在 < 之后立即获取文本。 \K 只是从整个匹配内存缓冲区中省略了到目前为止匹配的所有文本，因此返回的唯一文本是与 [^ >]+.

匹配的文本

但是，在这种情况下，您还可以通过要求与 [^ >]+ 匹配的第一个字符是除 /:

以外的字符来解决 lookbehinds 的问题

(?<=<|</)[^ >/][^ >]*

所以，基本上展开 [^ >/]+ 和 [^ >/][^ >]*。

Answer 2

对于当前的示例，在这种模式中 (?:(?<=<\/)|(?<=<))[^ >]+ 从当前位置向后看，直接向左的只能是 </ 或 < 因此只有 1 个断言可以同时为真。

当它在 </title> 中遇到 < 时，第二个断言为真。当尝试匹配它不能时，由于 [^ >\/] 不允许 /，然后它移动到下一个位置，因为没有更多的模式要处理。

接下来是 </，第一个断言为真，[^ >\/]+ 可以匹配以下字符。

所以它没有产生预期匹配的原因是因为在这个模式中 (?:(?<=<\/)|(?<=<))[^ >]+ 后视是相同的，但是否定字符 class [^ >]+ 可以匹配</title>

中的/

为什么这两个正则表达式不一样？

Why are these two regexes not the same?

regex

pcre