递归正则表达式中的if-else未按预期工作

Question

我正在使用正则表达式解析一些BBCode，所以这个正则表达式必须递归地工作，以便匹配其他标签中的标签。大多数BBCode都有一个参数，有时它被引用，但并非总是如此。

我正在使用一个简化版本的正则表达式（使用html样式标记来减少所需的转义），如下：

'~<(\")?a(?(1)\1)> #Match the tag, and require a closing quote if an opening one provided
  ([^<]+ | (?R))* #Match the contents of the tag, including recursively
</a>~x'

然而，如果我有一个看起来像这样的测试字符串：

<"a">Content<a>Also Content</a></a>

它只匹配<a>Also Content</a>，因为当它尝试从第一个标记开始匹配时，第一个匹配组\1被设置为"，并且在递归运行正则表达式以匹配内部标记时不会被覆盖，这意味着它没有引号，因此它不匹配，而该正则表达式失败。

如果我始终使用或不使用引号，它就可以正常工作，但我无法确定我需要解析的内容是否如此。有没有办法解决这个问题？

完整的正则表达式用于匹配[spoiler]content[/spoiler]，[spoiler=option]content[/spoiler]和[spoiler="option"]content[/spoiler]。

"~\[spoiler\s*+ #Match the opening tag
            (?:=\s*+(\"|\')?((?(1)(?!\\1).|[^\]]){0,100})(?(1)\\1))?+\s*\] #If an option exists, match that
          (?:\ *(?:\n|<br />))?+ #Get rid of an extra new line before the start of the content if necessary
          ((?:[^\[\n]++ #Capture all characters until the closing tag
            |\n(?!\[spoiler]) Capture new line separately so backtracking doesn't run away due to above
            |\[(?!/?spoiler(?:\s*=[^\]*])?) #Also match all tags that aren't spoilers
            |(?R))*+) #Allow the pattern to recurse - we also want to match spoilers inside spoilers,
                     # without messing up nesting
          \n? #Get rid of an extra new line before the closing tag if necessary
          \[/spoiler] #match the closing tag
         ~xi"

还有一些其他的错误。

- JackW

Answer 1

最简单的解决方案是使用替代品：

<(?:a|"a")>
  ([^<]++ | (?R))*
</a>

但是如果你不想重复那个 a 部分，你可以这样做：

<("?)a\1>
  ([^<]++ | (?R))*
</a>

演示

我刚刚把条件符号?放在了捕获组内。这个捕获组总是匹配，但匹配结果可以为空，因此条件符号不再必要。

顺便说一下：我对[^<]应用了占有量词，以避免灾难性回溯。

---

在你的情况下，我认为最好匹配通用标记而非特定标记。匹配所有标记，然后根据代码中的匹配结果进行处理。

以下是完整的正则表达式：

\[
  (?<tag>\w+) \s*
  (?:=\s*
    (?:
      (?<quote>["']) (?<arg>.{0,100}?) \k<quote>
      | (?<arg>[^\]]+)
    )
  )?
\]

(?<content>
  (?:[^[]++ | (?R) )*+
)

\[/\k<tag>\]

示例

请注意，我增加了J选项 (PCRE_DUPNAMES)，以便能够两次使用(?<arg>...)。

- Lucas Trzesniewski

---

第二个解决方案对于我在实际代码中使用的更复杂的正则表达式不起作用，但第一个解决方案应该可以。 - JackW

@StormDrive 也许你应该在那种情况下发布你完整的正则表达式。 - Lucas Trzesniewski

我已经将其添加到问题中，尽管它看起来很丑。 - JackW

@CasimiretHippolyte 嗯...我对此并不十分确定。在这种情况下，它应该是相当等效的。 - Lucas Trzesniewski

不， (?: [^<] ++ | (?R)) * 的等价物是 (?> [^<]+|(?R)) * (因为PCRE中的递归本质上是原子操作) ，并且正则表达式引擎在每个组位置（逐组）都可以回溯，当 (?: [^<]+|(?R)) *+ 的等价物是 (?>(?: [^<]+|(?R))*) 时，正则表达式引擎就无法回溯。 - Casimir et Hippolyte

Answer 2

(?(1)...)只是检查组1是否已定义，所以当第一次定义组时条件为真。这就是为什么你得到这个结果（与递归级别或其他无关）。

因此，当递归达到<a>时，正则表达式引擎尝试匹配<a">并失败。

如果想使用条件语句，可以写成<("?)a(?(1)\1)>。这样每次都会重新定义组1。

显然，你可以用更高效的方式编写你的模式，如下所示：

~<(?:a|"a")>[^<]*+(?:(?R)[^<]*)*+</a>~

针对您的问题，我将使用这种模式来匹配任何标签：

$pattern = <<<'EOD'
~
\[ (?<tag>\w+) \s*
(?: 
  = \s* 
  (?| " (?<option>[^"]*) " | ' ([^']*) ' | ([^]\s]*) ) # branch reset feature
)?
\s* ]
(?<content> [^[]*+ (?: (?R) [^[]*)*+ )
\[/\g{tag}]
~xi
EOD;

如果您想在基础级别上强制使用特定标签，可以在标签名称之前添加(?(R)|(?=spoiler\b))。

- Casimir et Hippolyte