正则表达式中使用反向引用的行为很奇怪

Question

我已经尝试了过去两天来解决这个问题...

请帮助我理解为什么会发生这种情况。我的意图只是选择具有<DTL1 val="92">.....</HDR>的<HDR>

这是我的正则表达式

(?<=<HDR>).*?<DTL1\sval="3".*?</HDR>

输入的字符串是：

<HDR>abc<DTL1 val="1"><DTL2 val="2"></HDR><HDR><DTL1 val="92"><DTL2 val="55"></HDR><HDR><DTL1 val="3"><DTL2 val="4"></HDR>

但是这个正则表达式选择了

abc<DTL1 val="1"><DTL2 val="2"></HDR><HDR><DTL1 val="92"><DTL2 val="55"></HDR>

请问有人能帮助我吗？

- sundar

---

你能否格式化你的输入？ - Avinash Raj

@AvinashRaj：我已经格式化了查询。谢谢你告诉我...我不知道。 - sundar

这是哪种正则表达式的语言，Java还是Python？（不是JavaScript，因为它不支持反向引用。）请删除不适用的标签。 - Alan Moore

Answer 1

一个正则表达式引擎总是会在字符串中返回最左边的匹配项（即使你使用非贪婪量词）。这正是你所获得的。因此，解决方案是禁止在由“.*?”描述的部分存在另一个，这太宽容了。

有两种技术可以实现这一点，你可以将.*?替换为：

(?>[^<]+|<(?!/HDR))*

或者使用：

(?:(?!</HDR).)*+

大多数情况下，第一种技术更高效，但如果您的字符串包含大量的<，第二种方法也可以得到很好的结果。

使用独占量词或原子组可以减少获得特定结果的步骤数量，尤其是当子模式失败时。

例子：

使用第一种方式：

(?<=<HDR>)(?>[^<]+|<(?!/HDR))*<DTL1\sval="3"(?>[^<]+|<(?!/HDR))*</HDR>

或者这个版本：

(?<=<HDR>)(?:[^<]+|<(?!/HDR|DTL1))*+<DTL1\sval="3"(?:[^<]+|<(?!/HDR))*+</HDR>

使用第二种方式：

(?<=<HDR>)(?:(?!</HDR).)*<DTL1\sval="3"(?:(?!</HDR).)*+</HDR>

或者选择这个变体：

(?<=<HDR>)(?:(?!</HDR|DTL1).)*+<DTL1\sval="3"(?:(?!</HDR).)*+</HDR>

- Casimir et Hippolyte

---

我尝试用你上面提到的表达式替换正则表达式中的第一个.*?。但不知何故，结果没有匹配成功。我有什么遗漏吗？ - sundar

您IP地址为143.198.54.68，由于运营成本限制，当前对于免费用户的使用频率限制为每个IP每72小时10次对话，如需解除限制，请点击左下角设置图标按钮（手机用户先点击左上角菜单按钮）。 - Casimir et Hippolyte

@sundar：另外一件事，即使您使用自由间隔模式编写模式，也不能使用空格拆分像(?<=这样的标记。 - Casimir et Hippolyte

@CasimiretHippolyte：在代码示例中，所有换行符和大部分其他空格都是当Sundar使用片段功能格式化代码时引入的。 我已将其还原并采用了老式的格式化方式。 - Alan Moore

@sundar：我看到了问题，我把模式改成了其他变体，并且添加了更清晰的示例。 - Casimir et Hippolyte

Answer 2

Casimir和Hippolyte已经给出了一些好的解决方案。我想详细说明一些事情。

首先，为什么你的正则表达式无法实现你想要的功能：(?<=<HDR>).*?告诉它匹配任意数量的字符，从第一个以<HDR>为前缀的字符开始，直到遇到非贪婪量词(<DTL1...)后面的内容。好吧，第一个以<HDR>为前缀的字符是第一个a，所以它匹配从那里开始的所有内容，直到遇到固定字符串<DTL1\sval="3"。

Casimir和Hippolyte的解决方案适用于广义情况，其中标记的内容可以是除嵌套之外的任何内容。您还可以使用正向查找：

(?<=<HDR>)(.(?!</HDR>))*<DTL1\sval="3".*?</HDR>

然而，如果可以保证字符串的结构如所示，其中<HDR>标记仅包含一个或多个<DTL1 val="##">标记，因此您知道其中不会有任何闭合标记，您可以通过将第一个.*?替换为[^/]*来更有效地完成操作。

(?<=<HDR>)[^/]*<DTL1\sval="3".*?</HDR>

一种否定的字符类比零宽断言更有效，而且如果您使用否定的字符类，则贪婪量词比懒惰量词更有效。

还要注意，通过使用回顾后发匹配开头的 <HDR>，您将其从匹配中排除，但是包括结束标记 </HDR>。您确定这是您想要的吗？您正在匹配以下内容...

<DTL1 val="3"><DTL2 val="4"></HDR>

"...当你大概想要这个..."

<HDR><DTL1 val="3"><DTL2 val="4"></HDR>

...或者这个...

<DTL1 val="3"><DTL2 val="4">

因此，在第一种情况下，不要使用前置断言来匹配开标签:

<HDR>(.(?!</HDR>))*<DTL1\sval="3".*?</HDR>
<HDR>[^/]*<DTL1\sval="3".*?</HDR>

在第二种情况下，使用向前查找来查找闭合标签：

(?<=<HDR>)(.(?!</HDR>))*<DTL1\sval="3".*?(?=</HDR>)
(?<=<HDR>)[^/]*<DTL1\sval="3".*?(?=</HDR>)

- Adi Inbar

---

太棒了！您的回答让我开心了一整天......！！！非常感谢......！！！我一直在努力了解这个问题，即使是在感恩节周末...... - sundar

如果你想选择<DTL1 val="92">.....</HDR>这个块，那么为什么在你的正则表达式中写成了<DTL1\sval="3"？ - Avinash Raj

(?<=<HDR>)(.(?!</HDR>))*<DTL1\sval="3".*?</HDR> 是我在这个问题的输入上使用的正则表达式，它匹配了我想要选择的确切内容。如果您需要更多信息，请告诉我。 - sundar

说得好，但有一个更正。当您使用被动前瞻技术时，应该将点放在前瞻之后。为了看到原因，请尝试匹配最后一个<HDR>...</HDR>元素，无论其中包含什么内容。<HDR>(.(?!</HDR>))*</HDR>$不匹配，因为点不允许匹配关闭</HDR>标记之前的>，但是<HDR>((?!</HDR>).)*</HDR>$可以。 - Alan Moore