非reedy字符串正则表达式匹配

Question

我很确定我在这里遗漏了一些明显的东西，但我不能让R使用非贪婪正则表达式：

> library(stringr)
> str_match('xxx aaaab yyy', "a.*?b")                                         
     [,1]   
[1,] "aaaab"

基本函数的行为方式相同：

> regexpr('a.*?b', 'xxx aaaab yyy')
[1] 5
attr(,"match.length")
[1] 5
attr(,"useBytes")
[1] TRUE

根据http://stat.ethz.ch/R-manual/R-devel/library/base/html/regex.html中的“贪婪”注释，我希望匹配仅为ab：

By default repetition is greedy, so the maximal possible number of repeats is used. This can be changed to ‘minimal’ by appending ? to the quantifier. (There are further quantifiers that allow approximate matching: see the TRE documentation.)

有人能解释一下发生了什么事吗

更新。疯狂的是，在其他一些情况下，非贪婪模式的行为与预期一致：

> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*>')
     [,1]                                          
[1,] "<a href=\"abc\">link</a> yyy <h1>Header</h1>"
> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*?>')
     [,1]              
[1,] "<a href=\"abc\">"

Answer 1

困难的概念，所以我会尽我最大的努力。。。如果有点混乱，有人可以随意编辑和解释

从左到右搜索与模式匹配的表达式。是的，以下所有字符串aaaab、aaab、aab和ab都与您的模式匹配，但是aaaab是从最左边开始的字符串，是返回的字符串

所以在这里，您的非贪婪模式不是很有用。也许这另一个例子可以帮助您更好地理解非贪婪模式的作用：

str_match('xxx aaaab yyy', "a.*?y") 
#      [,1]     
# [1,] "aaaab y"

这里所有的字符串aaaab y、aaaab yy、aaaab yyy都与模式匹配并从相同的位置开始，但是由于非贪婪模式，第一个字符串被返回

---

那么，你能做些什么来捕捉最后的ab？使用以下命令：

str_match('xxx aaaab yyy', ".*(a.*b)")
#      [,1]        [,2]
# [1,] "xxx aaaab" "ab"

它是如何工作的？通过在前面添加贪婪模式.*，您现在正在强制进程将最后一个可能的a放入捕获的组中

Answer 2

问题是匹配两个字符串之间的最短窗口@flodel正确地提到正则表达式引擎从左到右解析字符串，因此所有匹配项都是最左边的。贪婪和懒惰只适用于右边的边界：贪婪的量词将子字符串添加到最右边的边界，而懒惰的量词将匹配到后面第一个出现的子模式

请参见示例：

> library(stringr)
> str_extract('xxx aaaab yyy', "a[^ab]*b")
[1] "ab"
> str_extract('xxx aaa xxx aaa zzz', "xxx.*?zzz")
[1] "xxx aaa xxx aaa zzz"
> str_extract('xxx aaa xxx aaa zzz', "xxx(?:(?!xxx|zzz).)*zzz")
[1] "xxx aaa zzz"

第一个和第三个场景返回最短的窗口，第二个场景是当前问题的说明，但具有多字符输入

情景1。边界是单个字符

如果a和b是单个字符，则通过使用求反字符类找到最短的窗口a[^ab]*b将很容易地从a到下一个b抓取子字符串，中间没有a和b

场景2。边界不是单个字符

在这些情况下，您可以使用tempered greedy token来进一步展开。xxx(?:(?!xxx|zzz).)*zzz模式匹配xxx，然后任何0+字符（不是xxx或zzz字符序列的起始字符的换行符字符除外）匹配(?!xxx|zzz)是一个负前瞻，如果右边的子字符串与前瞻模式匹配，则匹配失败），然后是一个zzz

这些匹配场景可以很容易地与基本Rregmatches（使用支持lookaheads的PCRE regex风格）一起使用：

> x <- 'xxx aaa xxx aaa zzz xxx bbb xxx ccc zzz'
> unlist(regmatches(x, gregexpr("xxx(?:(?!xxx|zzz).)*zzz", x, perl = TRUE)))
[1] "xxx aaa zzz" "xxx ccc zzz"

注意：当在base R中使用PCRE正则表达式或在str_extract/str_match中使用ICU正则表达式时，.与换行符不匹配，要启用该行为，需要在模式开始处添加(?s)（内联DOTALL修饰符）