如何将前瞻性正则表达式拆分为 2 个普通正则表达式？

Question

我有一个前瞻性正则表达式 [^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])。在 my test 中，它从 @@||imasdk.googleapis.com/js/core/bridge*.html:

中提取 4 个子字符串

|imasdk
.googleapis
.com
/core

我需要用 2 个很好的旧正则表达式重写它，因为我不能使用前瞻（正则表达式引擎不支持）。我将其拆分为 [^a-z0-9%*][a-z0-9%]{3,} 和 [^a-z0-9%*]，后者在匹配后的子字符串中检查每个第一个正则表达式匹配。

由于某些原因 it extracts /bridge，因为 . 未在 [^a-z0-9%*] 中列出，而是在 /bridge 之后找到。那么前瞻是如何工作的：它必须是完全匹配、substr（find 结果）还是其他任何东西？在这种情况下，这是否意味着每个结尾字符都不应来自集合 a-z0-9%*？

在 Rust 中，代码如下所示：

    lazy_static! {
        // WARNING: the original regex is `"[^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])"` but Rust's regex
        // does not support look-around, so we have to check it programmatically for the last match
        static ref REGEX: Regex = Regex::new(r###"[^a-z0-9%*][a-z0-9%]{3,}"###).unwrap();
        static ref LOOKAHEAD_REGEX: Regex = Regex::new(r###"[^a-z0-9%*]"###).unwrap();
    }

    let pattern_lowercase = pattern.to_lowercase();
    
    let results = REGEX.find_iter(&pattern_lowercase);
    for (is_last, each_candidate) in results.identify_last() {
        let mut candidate = each_candidate.as_str();
        if !is_last {
            // have to simulate positive-ahead check programmatically
            let ending = &pattern_lowercase[each_candidate.end()..]; // substr after the match
            println!("searching in {:?}", ending);
            let lookahead_match = LOOKAHEAD_REGEX.find(ending);
            if lookahead_match.is_none() {
                // did not find anything => look-ahead is NOT positive
                println!("NO look-ahead match!");
                break;
            } else {
                println!("found look-ahead match: {:?}", lookahead_match.unwrap().as_str());
            }
        }
         ...

测试输出：

"|imasdk":
searching in ".googleapis.com/js/core/bridge*.html"
found look-ahead match: "."
".googleapis":
searching in ".com/js/core/bridge*.html"
found look-ahead match: "."
".com":
searching in "/js/core/bridge*.html"
found look-ahead match: "/"
"/core":
searching in "/bridge*.html"
found look-ahead match: "/"
"/bridge":
searching in "*.html"
found look-ahead match: "."

^ 在这里你可以看到 /bridge 是由于跟随 . 和 它是不正确的。

Answer 1

您的 LOOKAHEAD_REGEX 在匹配后的任何位置查找不在范围内的字符，但具有前瞻性的原始正则表达式仅在匹配后立即查看单个字符。这就是为什么您的代码找到 /bridge 而 regex101 没有找到的原因：您的代码在匹配后的某处看到 . 而 regex101 只看到 *.

您可以通过锚定 LOOKAHEAD_REGEX 来修复您的代码，使其只查看第一个字符：^[^a-z0-9%*].

或者，按照@Sven Marnach 的建议，您可以使用单个正则表达式匹配完整表达式：[^a-z0-9%*][a-z0-9%]{3,}[^a-z0-9%*]，并去掉匹配项的最后一个字符。

如何将前瞻性正则表达式拆分为 2 个普通正则表达式？

How to split look-ahead regex into 2 plain regexes?

regex

rust

regex-lookarounds

positive-lookahead

regex-look-ahead