重復/量詞

重復次數是通過量詞指定的,可以緊跟在下面元素之后:

  • 單獨的字符, 可以是經過轉義的
  • 元字符。
  • 字符類
  • 后向引用(參加下一部分)
  • 子組(除非它是一個斷言,參考下文)

一般的重復量詞指定了一個最小數值和一個最大數值的匹配次數, 通過花括號包裹兩個數字,兩個數字之間用逗號隔開的語法定義。 兩個數值都必須小于 65536, 并且第一個數字必須小于等于第二個。 比如: z{2,4} 匹配 ”zz”, “zzz”, “zzzz”。 單個的右花括號不是特殊字符。 如果第二個數字被省略,但是逗號仍然存在,就代表沒有上限; 如果第二個數字和逗號都被省略,那么這個量詞就限定的是一個確定次數的匹配。 比如 [aeiou]{3,} 匹配至少三個連續(xù)的元音字母,但是同時也可以匹配更多, 而 \d{8} 則只能匹配 8 個數字。 左花括號出現(xiàn)在不允許使用量詞的位置或者與量詞語法不匹配時, 被認為是一個普通字符,對它自身進行原文匹配。 比如,{,6}就不是一個量詞, 會按照原文匹配四個字符 ”{,6}”。

量詞 {0} 是被授權的,它會導致的行為是認為前面的項和量詞不存在。

為了方便(以及歷史的兼容性),最常用的三個量詞都有單字符縮寫。

單字符量詞
* 等價于 {0,}
+ 等價于 {1,}
? 等價于 {0,1}

可以通過一個不匹配任何字符的子模式后面緊跟一個匹配 0 或多個字符的量詞 來構造一個沒有上限的無限循環(huán)。比如: (a?)*

早期版本的 Perl 和 PCRE 對于這種模式會在編譯期得到一個錯誤。然而, 由于這在某些情況下是有用的,因此現(xiàn)在也接受這種模式了, 但是如果任何子模式的重復確實匹配不到任何字符,循環(huán)會被強制跳出。

默認情況下,量詞都是”貪婪”的,也就是說, 它們會在不導致模式匹配失敗的前提下,盡可能多的匹配字符(直到最大允許的匹配次數)。 這種問題的典型示例就是嘗試匹配C語言的注釋。 出現(xiàn)在 /* 和 */ 之間的所有內容都被認為是注釋, 在注釋中間, 可以允許出現(xiàn)單獨的 * 和 /。 對 C 注釋匹配的一個嘗試是使用模式 /\*.*\*/ , 假設將此模式應用在字符串 ” /* first comment*/ not comment /*second comment*/” 它會匹配到錯誤的結果,也就是整個字符串, 這是因為量詞的貪婪性導致的,它會嘗試盡可能多的匹配字符。

然而,如果一個量詞緊跟著一個 ?(問號) 標記,它就會成為懶惰(非貪婪)模式, 它不再盡可能多的匹配,而是盡可能少的匹配。 因此模式 /\*.*?\*/ 在 C 的注釋匹配上將會正確的執(zhí)行。 各個量詞自身的意義并不會改變,而是由于加入了 ? 使其首選的匹配次數發(fā)生改變。 不要將 ? 的這個用法和它作為量詞的用法混淆。因為它又兩種用法, 因此有時它會出現(xiàn)量詞,比如 \d??\d 會更傾向于匹配一個數字, 但同時如果為了達到整個模式匹配的目的,它也可以接受兩個數字的匹配。譯注:以模式 \w\d??\d\w 為例,對于字符串 ”a33a”,雖然 \d?? 是非貪婪的, 但由于如果使用貪婪會導致整個模式不匹配,所以, 最終它選擇的仍然是匹配到一個數字。

如果 PCRE_UNGREEDY 選項被設置(一個在 perl 中不可用的選項), 那么量詞默認情況下就是非貪婪的了。但是, 單個的量詞可以通過緊跟一個 ? 來使其成為貪婪的。換句話說, PCRE_UNGREEDY 這個選項逆轉了貪婪的默認行為。

量詞后面緊跟一個 ”+” 是”占有”性。它會吃掉盡可能多的字符, 并且不關注后面的其他模式,比如 .*abc 匹配 ”aabc”, 但是 .*+abc 不會匹配, 因為 .*+ 會吃掉整個字符串,從而導致后面剩余的模式得不到匹配。 可以使用占有符 (+) 修飾量詞來達到提升速度的目的。

當一個子組受最小數量大于 1 或有一個最大數量限制的量詞修飾時, 按照最小或最大的數量的比例需要更多的存儲用于編譯模式。

如果一個模式以 .* 或 .{0,} 開始并且 PCRE_DOTALL 選項開啟(等價于 Perl 的 /s), 也就是允許 . 匹配換行符,那么模式會隱式的緊固,因為不管怎么樣, 接下來都會對目標字符串中的每個字符位置進行嘗試,因此在第一次之后, 在任何位置都不會有一個對所有匹配重試的點。 PCRE 會想對待 \A 一樣處理這個模式。 在我們已知目標字符串沒有包含換行符的情況下, 當模式以 .* 開始的時候我們?yōu)榱双@得這個優(yōu)化,值得設置 PCRE_DOTALL, 或者選擇使用 ^ 明確指明錨定。

譯注:這里的優(yōu)化指模式不匹配之后,不會回頭再來查找下一個位置, 比如沒有設置 PCRE_DOTALL,并且目標字符串第一個字符時換行符, 那么模式嘗試第一個字符,發(fā)現(xiàn)不匹配, 會重新用模式從第二個字符位置開始進行嘗試。 而使用了PCRE_DOTALL后, 是肯定匹配的….同理,當使用了 ^ 或者 /A的限定是,模式一旦不匹配,都可以直接退出, 而不用在目標字符串下一個位置再一次開始整個模式的匹配。

當一個捕獲子組時重復的時,捕獲到的該子組的結果是最后一次迭代捕獲的值。比如, (tweedle[dume]{3}\s*)+ 匹配字符串 ”tweedledum tweedledee”, 得到的的子組捕獲結果是 ”tweedledee”。然而,如果是嵌套的捕獲子組, 相應的捕獲值可能會被設置到之前的迭代中。 比如, /(a|(b))+/ 匹配字符串 ”aba”, 第二個捕獲子組得到的結果會是 ”b”。譯注:以例子說明, b 是第二個子組最后一次捕獲到的結果,所以, 第二個子組最后結果是 b, 這是符合”然而”之前描述的規(guī)則的。