24

我很确定我在这里遗漏了一些明显的东西，但我不能让 R 使用非贪婪的正则表达式：

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

基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

我希望比赛与http://stat.ethz.ch/R-manual/R-devel/library/base/html/regex.htmlab中的“贪婪”评论一样：

默认情况下，重复是贪婪的，因此使用最大可能的重复次数。可以通过附加将其更改为“最小”？到量词。（还有更多允许近似匹配的量词：请参阅 TRE 文档。）

有人可以解释一下发生了什么吗？

更新。疯狂的是，在某些其他情况下，非贪婪模式的行为符合预期：

> 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\">"
4

2 回答 2

30

困难的概念，所以我会尽力而为......如果有点令人困惑，有人可以随意编辑和解释得更好。

从左到右搜索与您的模式匹配的表达式。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从最左边开始的字符串就是返回的字符串。

所以在这里，你的非贪婪模式不是很有用。当非贪婪模式出现时，也许这个其他示例将帮助您更好地理解：

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

这里所有的字符串aaaab y, aaaab yy,都aaaab yyy与模式匹配并从相同的位置开始，但由于非贪婪模式，返回了第一个字符串。

那么你能做些什么来抓住最后一个ab呢？用这个：

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

它是如何工作的？通过在前面添加一个贪婪模式.*，您现在强制该过程将最后一个可能的a放入捕获的组中。

于 2013-05-16T01:37:49.473 回答
9

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正在从左到右解析字符串，因此所有匹配项都是leftmost。贪婪和懒惰只适用于右边的边界：贪婪的量词使子串到达最右边的边界，而懒惰的量词将匹配第一次出现的子模式。

请参阅示例：

> 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，第二个是当前问题的说明，但带有多字符输入。

场景 1. 边界是单个字符

如果a和b是单个字符，则通过使用否定字符类找到最短窗口。a[^ab]*b将轻松地从a直到下一个获取子字符串，b中间没有as 和bs。

场景 2. 边界不是单个字符

在这些可以进一步展开的情况下，您可以使用经过调和的贪婪令牌。xxx(?:(?!xxx|zzz).)*zzz模式匹配，然后是除 linebreak char 之外的xxx任何 0+ 字符，它不是 axxx或zzzchar 序列的起始字符（如果紧靠右侧的子字符串与前瞻模式匹配，则匹配失败(?!xxx|zzz)的负前瞻），然后一个zzz。

这些匹配场景可以很容易地与 base R 一起regmatches使用（使用支持前瞻的 PCRE 正则表达式风格）：

> 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：当在基础 R 中使用 PCRE 正则表达式或str_extract/中的 ICU 正则表达式时str_match，.不匹配换行符，要启用该行为，您需要(?s)在模式开始处添加（内联 DOTALL 修饰符）。

于 2016-11-11T21:24:35.753 回答