4

我正在努力理解 Java 中正则表达式的行为，并且遇到了一些看起来很奇怪的事情。在下面的代码中，由于我在测试中无法理解的原因，测试突然失败，消息标签为“6 个字母匹配，否定”（随后的两个测试也失败了）。我是不是盯着这个看太久了，还是真的发生了什么奇怪的事情？我与可变长度的负前瞻断言（？！X）无关，但我很乐意听到任何理论，甚至是确认其他人遇到同样的问题并且它不是特定于我的JVM。抱歉正则表达式太做作了，但你不想看到真实的东西:)

// $ java -version
// java version "1.7.0_10"
// Java(TM) SE Runtime Environment (build 1.7.0_10-b18)
// Java HotSpot(TM) 64-Bit Server VM (build 23.6-b04, mixed mode)

// test of word without agreement
String test = "plusieurs personne sont";

// match the pattern with curly braces
assertTrue("no letters matched", Pattern.compile("plusieurs personne\\b").matcher(test).find());
assertTrue("1 letters matched", Pattern.compile("plusieurs personn\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("2 letters matched", Pattern.compile("plusieurs person\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("3 letters matched", Pattern.compile("plusieurs perso\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("4 letters matched", Pattern.compile("plusieurs pers\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("5 letters matched", Pattern.compile("plusieurs per\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("6 letters matched", Pattern.compile("plusieurs pe\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("7 letters matched", Pattern.compile("plusieurs p\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("8 letters matched", Pattern.compile("plusieurs \\p{Alpha}{1,100}\\b").matcher(test).find());

// match the negative pattern (without s or x) with curly braces
assertTrue("no letters matched, negative", Pattern.compile("plusieurs (?!personne[sx])\\w+").matcher(test).find());
assertTrue("1 letters matched, negative", Pattern.compile("plusieurs (?!personn\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("2 letters matched, negative", Pattern.compile("plusieurs (?!person\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("3 letters matched, negative", Pattern.compile("plusieurs (?!perso\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("4 letters matched, negative", Pattern.compile("plusieurs (?!pers\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("5 letters matched, negative", Pattern.compile("plusieurs (?!per\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
// the assertion below fails (is false) for reasons unknown
assertTrue("6 letters matched, negative", Pattern.compile("plusieurs (?!pe\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("7 letters matched, negative", Pattern.compile("plusieurs (?!p\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("8 letters matched, negative", Pattern.compile("plusieurs (?!\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
4

1 回答 1

3

让我们看看前瞻如何匹配：

pe           literal, matches "pe"
r            matches \p{Alpha}{1,100}
s            matches [sx]

因此，负前瞻不匹配（字符串的尾部 ,"onne sont"在这里无关紧要）。

如果您的想法是下一个单词不应以 s 或 x 结尾，那么放在后面可能会有所帮助\\b。[sx]永远记住，负前瞻不会对失败感到抱歉，也不会回溯以找出如何使您的正则表达式不匹配。

UPD：让我们仔细看看案例 5 以将其与案例 6 进行比较。这里我们使用假设匹配（对于前瞻中的表达式），因此我们必须考虑它如何（几乎）发生的几种变体。

per          literal, would match "per" -- it's always so
             -- let's try to imagine how the rest could match:
sonn         would match \p{Alpha}{1,100}
e            wouldn't match [sx], FAIL
             -- or maybe
s            would match \p{Alpha}{1,100}
o            wouldn't match [sx], FAIL
             -- or maybe yet
so           would match \p{Alpha}{1,100}
n            wouldn't match [sx], FAIL.

如果第二个词是“个性化”，我们将有另一个有趣的冒险。

UPD2：评论中的讨论促使我在这里添加一个概括：

正则表达式之所以有吸引力，是因为它们具有人类思维的一个重要特征：确认偏差。当我们写正则表达式时，我们希望它们匹配；即使我们的工作是防止无效输入，我们大部分时间都会考虑有效输入。正则表达式匹配器通常共享这个属性：它想要匹配并且讨厌失败。这就是为什么子表达式 like\p{Alpha}{1,100}并不意味着“在尝试匹配输入的其余部分之前吃掉可用的最长的 Alpha 块”。粗略地说，“考虑长度在 [1,100] 内的每个可能的 Alpha 块，为整个表达式找到匹配的方法”。

这就是为什么使用正则表达式时，很容易忽略复杂表达式的误报：被错误接受的无效输入。这个问题不会出现，当我们使用负前瞻时它会变得更加明显：

在否定前瞻中，正则表达式匹配器想要匹配内部表达式（使外部表达式失败）。人类程序员仍然想匹配外部表达式；正如我们在示例中看到的，这个因素确实会影响我们对内在表达的推理。我们认为它不应该如此努力地匹配（例如，它应该以一种愚蠢的方式处理子表达式，立即吃掉尽可能长的输入）。匹配器像往常一样工作，但我们对理想行为的想法现在与它的算法不同步。内在表达的误报（很难注意到），成为外在表达的假阴性（我们注意到并讨厌）。

于 2013-01-16T21:26:22.070 回答