R正则表达式编译器对给定正则表达式的工作方式不同

Question

我正在努力完善this答案；并发现下面给出的正则表达式在R中工作不正常（根据其含义）

 +?on.*$

根据我对regex的理解，上述regex符合：

lazily space one or more times followed by on followed by anything(except newline) till the end.

输入：

Posted by ondrej on 29 Feb 2020.
Posted by ona'je on 29 Feb 2020.

输出（根据我的说法，如果测试字符串中的上述正则表达式模式被替换为“”）

Posted by
Posted by 

当我试图在python (implementation here)、javascript和java (implementation here)中测试它时；我得到了我预期的结果

const myString = "Posted by ondrej on 29 Feb 2020.\nPosted by ona'je on"; console.log(myString.replace( new RegExp(" +?on.*$","gm"),""));

Answer 1

它看起来像TRE regex engine（在基R正则表达式函数中默认使用），基于最初由Henry Spencer在1986年编写的正则表达式库，如果正则表达式中的第一个模式以惰性量词开始，以$锚点结束，则匹配字符串末尾的最短匹配

比较these cases：

sub(" +?on.*$", "", Data)  # "Posted by ondrej" "Posted by ona'je"
sub(" +?on.*", "", Data)   # "Posted bydrej on 29 Feb 2020." "Posted bya'je on 29feb 2020"
sub(" +?on(.*)", "", Data) # as expected
sub(" +on.*", "", Data)    # as expected

发生了什么事

• 第一种情况是sub(" +?on.*$", "", Data)，第一种模式设置正则表达式中同一级别上所有量词的贪婪性。因此，第二个量词*，将被设置为lazy，即使在没有?的情况下也是如此，因为第一个空间是用+?一个懒惰量词来量化的。这是一个已知的TRE“bug”，也存在于基于Henry Spencer的regexl库的一些其他regex引擎中

• 第二个sub(" +?on.*", "", Data)匹配的方式与写入" +?on.*?"的方式相同（同样，由于第一个模式将贪婪级别设置为该级别上的懒惰），并且would only match1个或多个空格，然后on，.*?在模式结束时不匹配任何内容

• 第三个模式sub(" +?on(.*)", "", Data)产生了预期的结果，因为第二个量化模式.*位于另一个层次（一个层次深），其贪婪性不受另一个层次上的 +?的影响。所以，(.*)在这里非常匹配

• 第四个模式sub(" +on.*", "", Data)产生了预期的结果，因为第一个模式是贪婪的，所以下一个量化的模式贪婪也是贪婪的