负回顾后断言正则表达式捕获问题

Question

我尝试匹配电子邮件地址，但仅当它们没有以 "mailto:" 开头时。我尝试使用以下正则表达式：

"/(?<!mailto:)[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*(\.[a-z]{2,4})/"

对这个字符串进行匹配： '<a href="mailto:[e-mail]">EMAIL</a> ... [e-mail] '

我期望只捕获 '[e-mail]'，但我还收到了 '[e-mail]' - 缺少了 's'。我想知道这里出了什么问题。难道在查询断言之后不能有一个普通的正则表达式吗？

我在 PHP 中的完整示例如下：

$testString = '<a href="mailto:[e-mail]">EMAIL</a>  ...   [e-mail] ';
$pattern = "/(?<!mailto:)[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*(\.[a-z]{2,4})/";
preg_match_all($pattern, $testString, $matches);
echo('<pre>');print_r($matches);echo('</pre>');

谢谢你！

- boryn

---

您不想使用HTML解析器吗？ - alex

你应该在正则表达式中转义“-” -> 例如 [_a-z0-9\-]。 - Peter

@Peter：不必要，因为它不是有效范围的一部分。 - alex

Answer 1

因为在s之后有一个与您的正则表达式匹配的字符串[e-mail]，并且因为s几乎不是mailto:，所以匹配成功。在那里加入一个单词边界对大多数情况都有效：

更改为：

(?<!mailto:)

To:

(?<!mailto:)\b

顺便提一下：在示例中使用example.com，domain.com是由一家实际公司拥有的。

- Wrikken

---

呃，这不是很明显吗？好的，我会做的 :P - Wrikken

\b可以防止电子邮件地址在单词中间开始。之前的[e-mail]是有效的，因为它前面有s而不是mailto:。 - Peter

Answer 2

它试图匹配"someemail@"，但失败了，因为它紧接着前面有"mailto:"，所以它尝试在"omeemail@"处匹配，这次成功了，因为它不是紧接着"mailto:"。

编辑：我认为将(?<!mailto:)改为(?!mailto:)效果最好。

@Wrikken：该正则表达式允许在电子邮件地址中使用"."，但如果你使用(?<!mailto:)\b，那么"mailto:some.email@"将从"email@"中被匹配。

- MRAB

---

嗯...没错，\b不是很完美的解决方案。但是为什么你建议切换到负向先行断言呢？它也不是完美的。我猜最好使用某些替代方案而不是\b。 - boryn

你能举一个负向先行断言失败的例子吗？ - MRAB

@MRAB 嗯，你说得对，我有点匆忙，而且现在已经很晚了... 总的来说，我们当然可以要求它以 (^|\s|>) 开头，但是我认为 Alex 的原始评论关于使用 HTML 解析器变得越来越有吸引力。 - Wrikken

@Wrikken：我同意。正则表达式并不总是最好的工具。 - MRAB

@Wrikken: 我没包括 |^ ，因为在 mailto: 后面，它不能出现在开头。 - boryn

Answer 3

所以在@Wrikken和@MRAB的提示下，我们得出了最终可用的正则表达式：
"/(?<!mailto:)(?<=^|[^A-Za-z0-9_.+@-])[_a-z0-9-]+(\.[_a-z0-9-]+)*@[a-z0-9-]+(\.[a-z0-9-]+)*(\.[a-z]{2,4})/"

重要的是要使用一个前瞻作为“电子邮件边界”来跟随负回顾。

- boryn