反向引用需要放在它们所引用的组后面吗？

Question

在运行这个答案的一些测试时，我注意到以下意外的行为。这将在第一个出现后删除所有<tag>的实例：

var input = "<text><text>extra<words><text><words><something>";
Regex.Replace(input, @"(<[^>]+>)(?<=\1.*\1)", "");
// <text>extra<words><something>

但这样做是不行的：

Regex.Replace(input, @"(?<=\1.*)(<[^>]+>)", "");
// <text><text>extra<words><text><words><something>

同样地，这将会删除最后一个之前所有 <tag> 的出现。

Regex.Replace(input, @"(<[^>]+>)(?=.*\1)", "");
// extra<text><words><something>

但这个不会：

Regex.Replace(input, @"(?=\1.*\1)(<[^>]+>)", "");
// <text><text>extra<words><text><words><something>

这让我有所思考...

在.NET正则表达式引擎中，反向引用需要出现在其引用的组之后吗？或者这些模式中还有其他导致它们无法工作的问题？

- p.s.w.g

---

从逻辑上讲，你需要先捕获某些内容，然后将其用作反向引用，否则递归正则表达式（例如此处）将失败 :) PS：这不仅适用于 .net，我认为在所有版本中都是如此。在 php pcre 中查看演示。 - HamZa

@HamZa 谢谢，这是个好点子。我原本以为环视断言可能不同，因为（据我所知），它们必须在字符串的匹配部分之后进行评估。换句话说，在它可以检查断言之前，它必须找到<tag> - 但我对正则表达式的内部了解不太多，所以我可能是错的。此外，我想大多数情况下，如果引擎的行为取决于评估它的顺序而不是出现在模式中的顺序，那么它将更为令人惊讶。 - p.s.w.g

Answer 1

您的问题让我也开始思考了起来，所以我用RegexBuddy做了一些测试，令我惊讶的是你说不起作用的第二个正则表达式(?<=\1.*)(<[^>]+>)实际上起作用了，其他的都和你说的一样。然后我尝试在C#代码中使用同样的表达式- 第二个表达式 -，但它并没有像你遇到的那样工作。

这让我感到困惑，然后我注意到我的RegexBuddy版本可以追溯到2008年，因此.NET引擎的工作方式肯定有所改变，但这揭示了一个我认为是合理的事实，在2008年之前，回顾后面的内容似乎是在整个表达式匹配之后才进行评估的。我觉得这种行为在回顾后面的内容时还是可以接受的，因为您需要在查找之前先匹配一些内容。

尽管如此，现在的引擎似乎在遇到环视时会立即评估它们，我通过使用以下表达式发现了这一点，这类似于您的情况的反向情况：

(?<=(\w))\1

正如您所看到的，我在正则表达式中捕获了一个单词字符，并在外部引用它。我在字符串hello上进行了测试，并在第二个l字符处得到了预期的匹配结果，这证明了回顾先于尝试匹配表达式的其余部分执行。

结论：是的，反向引用需要出现在所引用的组后面，否则它将没有匹配语义。

- Ibrahim Najjar

---

错误信息告诉你(?<=\1)\w是无效的语法，因为它包含对不存在的捕获组的引用。(?<=\1)(\w)是有效的语法，但它永远不会成功，因为它试图匹配该组之前的内容，而该组尚未参与匹配。 - Alan Moore

@AlanMoore 当然，你是正确的，错误已经被纠正了。谢谢。 - Ibrahim Najjar

感谢抽出时间回复。实际上，如果它出现在组前面，我不会得到任何异常；它只是没有匹配任何内容。我曾考虑过，可能后向引用会与尚未捕获其引用的组匹配一个空字符串，但显然根本不匹配任何内容，例如Regex.Matches("hello", @"\1()")不匹配任何内容，但是Regex.Matches("hello", @"(?!\1)()")会匹配每个字符周围的0长度字符串。 - p.s.w.g

@p.s.w.g 对于异常语句我很抱歉，Alan在他的评论中提到了这一点，但我可能忘记修复结论部分。如果引用的组尚未匹配，则反向引用不会匹配任何内容。然而，关于论点的主要观点，即lookaround是否在表达式的其余部分之前或之后匹配，可以肯定地说，它在遇到时立即匹配。 - Ibrahim Najjar