如何使正则表达式不使用引号进行匹配？

Question

如何避免出现无法匹配 - preg_match_all('/"[\p{L}\p{Nd}а-яА-ЯёЁ -_\.\+]+"/ui', $outStr, $matches);

- Arthur Kushman

---

我相信通用术语是“惰性”。 - josh.trow

@josh：实际上，应该是“贪心算法”。 - Lightness Races in Orbit

实际上，“贪婪”和“懒惰”这样的术语只是更长、更技术的术语的口头简称，有时这些简称会掩盖真正发生的事情。更技术性的术语是量词可以进行“最大匹配”、“最小匹配”或“占有匹配”，其中*，+，?和{n,m}是“最大集合”；*?，+?，??和{n,m}?是“最小集合”；而*+，++和{n,m}+则是“占有集合”。为了完整起见，我想加上?+，但它不会改变其功能：请认真思考。 - tchrist

@Tomalak：我相信我说得对- 'not hungry' == '懒惰'。我认为你在想 'hungry' == '贪婪'。 - josh.trow

Answer 1

你是说非贪心模式，也就是找到最短的匹配而不是最长的匹配吗？*，+和?这些量词默认情况下是贪心的，会尽可能匹配更多字符。在它们后面加上问号可以让它们变成非贪心的。

preg_match_all('/"[\p{L}\p{Nd}а-яА-ЯёЁ -_\.\+]+?"/ui', $outStr, $matches);

贪婪匹配：

"foo" and "bar"
^^^^^^^^^^^^^^^

非贪婪匹配：

"foo" and "bar"
^^^^^

- John Kugelman

---

是的，谢谢。我尝试在引号后面设置“？”符号，但效果不佳。 - Arthur Kushman

Answer 2

请参考：http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php

U (PCRE_UNGREEDY)

该修饰符颠倒了量词的"贪婪性"，使它们默认情况下不是贪婪的，但如果在?后面跟随，它们会变得贪婪。它与Perl不兼容。它也可以通过模式中的(?U)修改器设置或在量词后面加上一个问号（例如.*？）设置。

- Yoshi

---

糟糕！这意味着PHP和Java在使用(?U)标志时有所不同。在PHP中，它打开了PCRE_UNGREEDY正则表达式编译标志，但在JDK7中，它打开了UNICODE_CHARACTER_CLASS正则表达式编译标志，以使字符类符合Unicode正则表达式规范 - 这是PHP已经默认执行的（我相信！），因为Perl已经执行了。嗯，阅读pcrepattern手册让我有点怀疑。看起来只有[\pL\pN_]，这并不完全符合上面引用的RL1.2要求。但比ASCII好。 - tchrist

如果你不知道自己在做什么，通常使用U（翻转量词行为）是一个坏主意。更清晰并且可以更好地控制每个量词的翻转，建议针对每个量词单独使用问号。 - CrayonViolent

这个答案已经被添加到了Stack Overflow正则表达式FAQ中的“修饰符”一节。 - aliteralmind

注意，(?U)修饰符是PCRE（以及PHP和R等衍生品）独有的，而在JavaScript，Python或Perl等编程语言中找不到它。早期的评论指出它在Java中的行为完全不同。 - Adam Katz

Answer 3

你建议了。

/"[\p{L}\p{Nd}а-яА-ЯёЁ -_\.\+]+"/ui

我认为这等同于：

/"[\pL\p{Nd}а-яА-ЯёЁ -_.+]+"/ui

为了向人们展示您使用的非ASCII字符（如果不明显），可以使用\x{⋯}转义字符：

/"[\pL\p{Nd}\x{430}-\x{44F}\x{410}-\x{42F}\x{451}\x{401} -_.+]+"/ui

使用命名字符是：

/"[\pL\p{Nd}\N{CYRILLIC SMALL LETTER A}-\N{CYRILLIC SMALL LETTER YA}\N{CYRILLIC CAPITAL LETTER A}-\N{CYRILLIC CAPITAL LETTER YA}\N{CYRILLIC SMALL LETTER IO}\N{CYRILLIC CAPITAL LETTER IO} -_.+]+"/ui

顺便说一句，这些是通过运行它们通过 uniquote 脚本 生成的，第一个使用 uniquote -x，第二个使用 uniquote -v。

是的，我知道或至少相信 PHP 还不支持命名字符，但这使得谈论更容易。此外，它确保它们不会混淆看起来相似的字符。

U+0410 ‹А› \N{CYRILLIC CAPITAL LETTER A}
U+0430 ‹а› \N{CYRILLIC SMALL LETTER A}
U+0401 ‹Ё› \N{CYRILLIC CAPITAL LETTER IO}
U+0451 ‹ё› \N{CYRILLIC SMALL LETTER IO}

for:

U+0041 ‹A› \N{LATIN CAPITAL LETTER A}
U+0061 ‹a› \N{LATIN SMALL LETTER A}
U+00CB ‹Ë› \N{LATIN CAPITAL LETTER E WITH DIAERESIS}
U+00EB ‹ë› \N{LATIN SMALL LETTER E WITH DIAERESIS}

现在我想起来了，那些都是字母，所以我不明白为什么你要枚举西里尔字母表。是因为你不需要所有的西里尔字母，而只需要其中一部分吗？否则，我会这样做：

/"[\pL\p{Nd} -_.+]+"/ui

我想知道那个 /i 到底是干嘛的。我看不出它的作用，所以会写成这样：

/"[\pL\p{Nd} -_.+]+"/u

正如已经提到的那样，将最大量化符号+替换为其对应的最小版本+?即可：

/"[\pL\p{Nd} -_.+]+?"/u

然而，我对于[ -_]这个范围感到担忧，也就是说，\p{SPACE}-\p{LOW LINE}。 我觉得这是一个非常奇怪的范围。它意味着任何以下的字符：

!"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_

一方面，您又包含了大写的 ASCII 字母。另一方面，您遗漏了一些符号和标点符号：

% unichars -g '\p{ASCII}' '[\pS\pP]' 'ord() < ord(" ") || ord() > ord("_")'
 `  U+0060 GC=Sk GRAVE ACCENT
 {  U+007B GC=Ps LEFT CURLY BRACKET
 |  U+007C GC=Sm VERTICAL LINE
 }  U+007D GC=Pe RIGHT CURLY BRACKET
 ~  U+007E GC=Sm TILDE

这个输出来自于 unichars 脚本，如果你感到好奇的话。

这似乎有些武断。所以我想知道这是否对你来说不够好：

/"[\pL\p{Nd}\s\pS\pP]+?"/u

现在我想起来了，这两个可能会引起其他问题：

U+0401 ‹Ё› \N{CYRILLIC CAPITAL LETTER IO}
U+0451 ‹ё› \N{CYRILLIC SMALL LETTER IO}

这假设它们是以 NFC 形式存在的（由规范分解的规范组合形成）。如果你处理的数据可能没有被规范化为 NFC 形式，那么你就需要考虑。

NFD("\N{CYRILLIC CAPITAL LETTER IO}") => "\N{CYRILLIC SMALL LETTER IE}\N{COMBINING DIAERESIS}"
NFD("\N{CYRILLIC SMALL LETTER IO}")   => "\N{CYRILLIC CAPITAL LETTER IE}\N{COMBINING DIAERESIS}"

现在你有了非字母字符！

% uniprops "COMBINING DIAERESIS"
U+0308 ‹◌̈› \N{COMBINING DIAERESIS}
    \w \pM \p{Mn}
    All Any Assigned InCombiningDiacriticalMarks Case_Ignorable CI Combining_Diacritical_Marks Dia Diacritic M Mn Gr_Ext Grapheme_Extend Graph GrExt ID_Continue IDC Inherited Zinh Mark Nonspacing_Mark Print Qaai Word XID_Continue XIDC

也许你真的想要：

/"[\pL\pM\p{Nd}\s\pS\pP]+?"/u

如果您想将字符串限制为仅包含拉丁或西里尔脚本中的字符（而不是希腊语或片假名等其他字符），则需要添加一个前瞻来实现这一点。

/"(?:(?=[\p{Latin}\p{Cyrillic}])[\pL\pM\p{Nd}\s\pS\pP])+?"/u

除此之外，您还需要使用Common来获取数字和各种标点符号和符号，以及需要使用Inherited来处理跟随字母的组合标记。这就把我们带到了这里：

/"(?:(?=[\p{Latin}\p{Cyrillic}\p{Common}\p{Inherited}])[\pL\pM\p{Nd}\s\pS\pP])+?"/u

现在这提供了另一种方法来实现双引号之间的最小匹配：

/"(?:(?!")(?=[\p{Latin}\p{Cyrillic}\p{Common}\p{Inherited}])[\pL\pM\p{Nd}\s\pS\pP])+"/u

这句话的意思是：“如果不使用/x模式，情况会变得非常复杂。”

/
    "               # literal double quote
    (?:
  ### This group specifies a single char with
  ### three separate constraints:

        # Constraint 1: next char must NOT be a double quote
        (?!")

        # Constraint 2: next char must be from one of these four scripts
        (?=[\p{Latin}\p{Cyrillic}\p{Common}\p{Inherited}])

        # Constraint 3: match one of either Letter, Mark, Decimal Number,
        #               whitespace, Symbol, or Punctuation:
        [\pL\pM\p{Nd}\s\pS\pP]

    )       # end constraint group
    +       # repeat entire group 1 or more times
    "       # and finally match another double-quote
/ux

如果是 Perl 的话，我会用 m{⋯}xu 来写。

m{
    "               # literal double quote
    (?:
  ### This group specifies a single char with
  ### three separate constraints:

        # Constraint 1: next char must NOT be a double quote
        (?!")

        # Constraint 2: next char must be from one of these four scripts
        (?=[\p{Latin}\p{Cyrillic}\p{Common}\p{Inherited}])

        # Constraint 3: match one of either Letter, Mark, Decimal Number,
        #               whitespace, Symbol, or Punctuation:
        [\pL\pM\p{Nd}\s\pS\pP]

    )       # end constraint group
    +       # repeat entire group 1 or more times
    "       # and finally match another double-quote
}ux

但我不知道你是否能在PHP中使用成对的括号分隔符。希望这可以帮到你！

- tchrist