之前一篇文章翻譯了Perl語言中的遞歸正則表達(dá)式. 其實(shí)不少語言中的正則都是支持遞歸的, 例如本文要介紹的PHP正則遞歸. 雖然, 工作中最常用的正則表達(dá)式都很”正則”, 只用最基本的語法就能解決85%以上的問題, 而且合理有效地使用普通正則來解決復(fù)雜問題也是一門技巧與學(xué)問; 但是高級(jí)一點(diǎn)的語法的確有它存的價(jià)值, 有時(shí)不用它還真辦不了事兒; 況且學(xué)習(xí)正則的樂趣也在于嘗試各種各樣的可能性, 滿足自己無窮無盡的好奇心.
本文內(nèi)容, 整理自網(wǎng)文Finer points of PHP regular expressions. 其分析過程剝繭抽絲, 絲絲入扣, 值得一讀. 該文系統(tǒng)地列出了PHP中正則表達(dá)式常見特性, 我只摘取其中遞歸部分翻譯整理出來.
正文
例子
什么時(shí)候會(huì)用到遞歸正則表達(dá)式呢? 當(dāng)然是待匹配的字串中遞歸地出現(xiàn)某種模式時(shí)(貌似廢話). 最經(jīng)典的例子, 就是遞歸正則處理嵌套括號(hào)的問題了. 例子如下.
假設(shè)你的文本中包含了正確配對(duì)的嵌套括號(hào). 括號(hào)的深度可以是無限層. 你想捕獲這樣的括號(hào)組.
恕我劇透, 標(biāo)準(zhǔn)答案是這樣的:
復(fù)制代碼 代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/\(([^()]+|(?R))*\)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
其輸出結(jié)果是:
復(fù)制代碼 代碼如下:
Array
(
[0] => (a(b(c)d)e)
[1] => e
)
可見, 我們所需要的文本, 已經(jīng)捕獲到$matches[0]中了.
原理
現(xiàn)在思考原理.
上面的正則表達(dá)式中的關(guān)鍵點(diǎn)是(?R). (?R)的作用就是遞歸地替換它所在的整條正則表達(dá)式. 在每次迭代時(shí), PHP 語法分析器都會(huì)將(?R)替換為”\(([^()]+|(?R))*\)“.
因此, 具體到上述的例子, 其正則表達(dá)式等價(jià)于:
"/\(([^()]+|\(([^()]+|\(([^()]+)*\))*\))*\)/"
但是上面的代碼只適合深度為3層的括號(hào). 對(duì)于未知深度的括號(hào)嵌套, 就只好使用這種正則了:
"/\(([^()]+|(?R))*\)/"
它不但能夠匹配無限深度, 還簡(jiǎn)化了正則表達(dá)式的語法. 功能強(qiáng)大, 語法簡(jiǎn)潔.
現(xiàn)在來細(xì)看一下"/\(([^()]+|(?R))*\)/"是怎樣匹配"(a(b(c)d)e)"的:
"(c)"這部分被正則式 "\(([^()]+)*\)" 匹配. 請(qǐng)注意, (c) 其實(shí)就相當(dāng)于整個(gè)遞歸的一個(gè)縮影, 麻雀雖小五臟俱全, 因此它用到了整個(gè)正則表達(dá)式.
換言之, 下一步中的(c), 可以使用(?R) 來匹配.
(b(c)d)的匹配過程為:
"\("匹配"(";
"[^()]+"匹配"b";
(?R)匹配"(c)";
"[^()]+"匹配"d";
"\)"匹配")".
根據(jù)上面的匹配原理, 不難理解為什么數(shù)組的第2個(gè)元素$matches[1]與'e'等價(jià). 子串'e'是在最后一次匹配迭代中被捕獲. 匹配過程中, 只有最后一次的捕獲結(jié)果才會(huì)保存到數(shù)組中.
rex注: 關(guān)于這個(gè)特性, 可以自行嘗試一下, 看看使用正則式([a-z]+[0-9]+)+來匹配字串a(chǎn)bc123xyz890, 其捕獲結(jié)果$1是什么. 注意, 其結(jié)果與 Left Longest 原理并不沖突.
如果我們只需要捕獲 $matches[0], 可以這樣做:
復(fù)制代碼 代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/\((?:[^()]+|(?R))*\)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
產(chǎn)生的結(jié)果相同:
復(fù)制代碼 代碼如下:
Array
(
[0] => (a(b(c)d)e)
)
所做的改動(dòng)是捕獲括號(hào)()改為非捕獲捕獲括號(hào)(?:)了.
還可以進(jìn)一步完善為:
復(fù)制代碼 代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/\((?>[^()]+|(?R))*\)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
這里我們用到了所謂的一次性模式(rex注: 余晟先生譯的《精通正則表達(dá)式v3.0》中, 謂之”固化分組”. 可參考該書.) PHP手冊(cè)也推薦只要條件允許, 就盡可能使用這種模式, 以便提升正則表達(dá)式的速度.
一次性模式很簡(jiǎn)單, 這里不再詳述. 如果感興趣, 可以參考PHP 官方手冊(cè). 如果您想深入學(xué)習(xí)PERL兼容式正則表達(dá)式, 請(qǐng)參考文末鏈接.
- 原文: Finer points of PHP regular expressions
- Perl兼容正則表達(dá)式 官網(wǎng) 文檔
- PHP官網(wǎng)的PCRE正則文檔
