递归正则表达式匹配括号内所有内容 (PCRE)

Question

我惊讶地发现在SO上没有易于查找并带有答案的类似问题。我想要匹配一些函数中的所有内容。想法是删除无用的函数。

foo(some (content)) --> some (content)

我正在尝试匹配函数调用中的所有内容，其中可能包括括号。这是我的PCRE正则表达式：

(?<name>\w+)\s*\(\K
(?<e>
     [^()]+
     |
     [^()]*
         \((?&e)\)
     [^()]*
)*
(?=\))

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

很遗憾它不起作用，而且我真的不太明白为什么。

- nowox

---

被检查的函数调用是否总是在行首？ - Superluminal

@Predicate 假设所有内容都在同一行上，但您可以在此行上找到多个函数调用：foo(); bar()\n - nowox

有没有一种方法可以使所需匹配中的括号不平衡？ - Superluminal

Answer 1

你的 Group e 模式不能正确工作，目前它只匹配深度为 1 的括号，因为你只递归了一次 e 模式。它需要匹配所有存在的 (...) 子字符串，因此，子程序模式需要在一个 * 或 + 量化组内，并且甚至可以“简化”为 (?<e>[^()]*(?:\((?&e)\)[^()]*)*)。

请注意，你的 Group e 模式等同于 (?<e>[^()]+|\((?&e)\))*。在 \((?&e)\) 周围使用 [^()]* 是多余的，因为 [^()]+ 替代项将消耗当前深度级别上除 ( 和 ) 之外的字符。

此外，你量化了 Group e 模式，使其成为一个重复捕获组，仅保留最后一次迭代期间匹配的文本。

你可以使用

(?<name>\w+)\s*\(\K(?<e>[^()]*(?:\((?&e)\)[^()]*)*)(?=\))

请查看正则表达式演示

详细信息

• (?<name>\w+)\s*\(\K - 匹配一个或多个单词字符，0个或多个空格和被省略的(，但不包括这个(
• (?<e> - 开始匹配组e
  • [^()]* - 匹配0个或多个除了(和)之外的任何字符
  • (?: - 开始一个非捕获组:
    • \( - 一个(字符
    • (?&e) - 组e模式递归
    • \) - 一个)字符
    • [^()]* - 匹配0个或多个除了(和)之外的任何字符
  • )* - 重复0次或更多次
• ) - 结束组e
• (?=\)) - 一个)字符必须紧挨着当前位置的右边。

- Wiktor Stribiżew

---

似乎 OP 提出的正则表达式无法工作的原因是在 (?<e> 分组后紧接着的 *，需要在固定的 regex01 中添加一个未捕获的分组。 - Nahuel Fouilleul

另一种更有效避免回溯的解决方案是使用占有量词，例如 (?<name>\w+)\s*\(\K(?<e>(?:[^()]++|\((?&e)\))*)\)。 - Nahuel Fouilleul

@NahuelFouilleul 是的，这样会好一些。也可以使用原子组 (?<name>\w+)\s*\(\K(?<e>(?>[^()]+|\((?&e)\))*)(?=\))。另外，请注意最后一个 ) 必须在前瞻中（至少是 OP 的逻辑）。 - Wiktor Stribiżew

伙计们，你们的solution在括号不平衡的情况下会失效。它可能出现在字符串中。 - Superluminal

@Predicate 这些情况超出了递归匹配的范围，如果期望匹配的两端没有特定的上下文信息，那么只能在已知特定上下文信息的情况下进行处理。对于这些情况，你不能有一个“通用”的正则表达式。 - Wiktor Stribiżew

@Predicate 也可能出现在字符串中，而且你的解决方案也会失败，但是可以使用回溯动词来丢弃字符串，类似于 "(?:[^"]++|\\.*)*"(*SKIP)(?!)|... - Nahuel Fouilleul

Answer 2

以下正则表达式可以在不采取额外步骤的情况下进行匹配：

(?<name>\w+)\s*(\((?<e>([^()]*+|(?2))+)\))

请点击此处查看演示。

但是，以下字符串包含引号内的不平衡括号，与上述规则不符：

• foo(bar = ')')
• foo(bar(john = "(Doe..."))

因此，您应该寻找：

(?<name>\w+)\s*(\((?<e>([^()'"]*+|"(?>[^"\\]*+|\\.)*"|'(?>[^'\\]*+|\\.)*'|(?2))+)\))

在这里查看实时演示

正则表达式分解：

• (?<name>\w+)\s* 匹配函数名称及其后面的空格
• ( 开始一个集群
  • \( 匹配文字 (
  • (?<e> 开始命名捕获组 e
    • ( 开始捕获组 #2
      • [^()'"]*+ 匹配除了()'"之外的任何字符
      • | 或者
      • "(?>[^"\\]*+|\\.)*" 匹配双引号之间的任何内容
      • | 或者
      • '(?>[^'\\]*+|\\.)*' 匹配单引号之间的任何内容
      • | 或者
      • (?2) 递归第二个捕获组
    • )+ 尽可能重复，至少一次
  • ) 结束捕获组
  • \) 匹配文字 )
• ) 结束捕获组

- revo

Answer 3

我有一个简单的正则表达式，没有递归。

(?<=[\w ]{2}\().*(?=\))

目前它处理不平衡的括号，但是它不能处理在同一行上有多个函数的情况。如果您知道函数之间的分隔符，例如Java代码中的;，则可以处理它们。

变体2（已更新以处理同一行上的多个函数）：

(?<=[\w ]\()[^;\n]*(?=\))

变体3（允许在字符串中使用;）：

(?<=[\w ]\()([^;\n]|".*?")*(?=\))    

变体 4（转义字符串）：

(?<=[\w \n]\()(?:[^;\n"]|(?:"(?:[^"]|\\")*?(?<!\\)"))*(?=\))

- Superluminal

---

你可以改进第一个lookbehind，使其不仅检查一个字符，但是由于PCRE不允许具有可变长度的Lookbehinds，所以这项工作变得更加困难。可能需要更多的上下文来解决这个问题。但是我认为在(之前只检查一个字符没有问题。 - Superluminal

变量3现在将因为f("a;");g("b");而失败，修复方法可能是(?<=[\w ]\()([^";\n]|"(?:[^"]++|\\.*)*"(*SKIP))*(?=\))。 - Nahuel Fouilleul

好的，f("a"){""};g("\"b;"); 或者只是 f("a")+f("b");。 - Nahuel Fouilleul

@revo 正如我们在一些较高层次的正则表达式中看到的那样，递归也不能保证它。不过没关系，我喜欢你们的解决方案，但我真的很喜欢我的正则表达式的简单性。 - Superluminal

第四个正则表达式在许多正确的匹配中失败，例如 bar(a =") ", b = " );")。这是一个无休止的修补过程。你必须使用递归来解决这个问题。顺便说一下，递归可以保证成功。 - revo