本文內容, 整理自網文Finer points of PHP regular expressions. 其分析過程剝繭抽絲, 絲絲入扣, 值得一讀. 該文系統地列出了PHP中正則表達式常見特性, 我只摘取其中遞歸部分翻譯整理出來.
正文
例子
什么時候會用到遞歸正則表達式呢? 當然是待匹配的字串中遞歸地出現某種模式時(貌似廢話). 最經典的例子, 就是遞歸正則處理嵌套括號的問題了. 例子如下.
假設你的文本中包含了正確配對的嵌套括號. 括號的深度可以是無限層. 你想捕獲這樣的括號組.
恕我劇透, 標準答案是這樣的:
復制代碼代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("//(([^()]+|(?R))*/)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
其輸出結果是:
復制代碼代碼如下:
Array
(
[0] => (a(b(c)d)e)
[1] => e
)
可見, 我們所需要的文本, 已經捕獲到$matches[0]中了.
原理
現在思考原理.
上面的正則表達式中的關鍵點是(?R). (?R)的作用就是遞歸地替換它所在的整條正則表達式. 在每次迭代時, PHP 語法分析器都會將(?R)替換為”/(([^()]+|(?R))*/)“.
因此, 具體到上述的例子, 其正則表達式等價于:
"//(([^()]+|/(([^()]+|/(([^()]+)*/))*/))*/)/"
但是上面的代碼只適合深度為3層的括號. 對于未知深度的括號嵌套, 就只好使用這種正則了:
"//(([^()]+|(?R))*/)/"
它不但能夠匹配無限深度, 還簡化了正則表達式的語法. 功能強大, 語法簡潔.
現在來細看一下"//(([^()]+|(?R))*/)/"是怎樣匹配"(a(b(c)d)e)"的:
"(c)"這部分被正則式 "/(([^()]+)*/)" 匹配. 請注意, (c) 其實就相當于整個遞歸的一個縮影, 麻雀雖小五臟俱全, 因此它用到了整個正則表達式.
換言之, 下一步中的(c), 可以使用(?R) 來匹配.
(b(c)d)的匹配過程為:
"/("匹配"(";
"[^()]+"匹配"b";
(?R)匹配"(c)";
"[^()]+"匹配"d";
"/)"匹配")".
根據上面的匹配原理, 不難理解為什么數組的第2個元素$matches[1]與'e'等價. 子串'e'是在最后一次匹配迭代中被捕獲. 匹配過程中, 只有最后一次的捕獲結果才會保存到數組中.
rex注: 關于這個特性, 可以自行嘗試一下, 看看使用正則式([a-z]+[0-9]+)+來匹配字串abc123xyz890, 其捕獲結果$1是什么. 注意, 其結果與 Left Longest 原理并不沖突.
如果我們只需要捕獲 $matches[0], 可以這樣做:
復制代碼代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("//((?:[^()]+|(?R))*/)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
產生的結果相同:
復制代碼代碼如下:
Array
(
[0] => (a(b(c)d)e)
)
所做的改動是捕獲括號()改為非捕獲捕獲括號(?:)了.
還可以進一步完善為:
復制代碼代碼如下:
<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("//((?>[^()]+|(?R))*/)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
這里我們用到了所謂的一次性模式(rex注: 余晟先生譯的《精通正則表達式v3.0》中, 謂之”固化分組”. 可參考該書.) PHP手冊也推薦只要條件允許, 就盡可能使用這種模式, 以便提升正則表達式的速度.
一次性模式很簡單, 這里不再詳述. 如果感興趣, 可以參考PHP 官方手冊. 如果您想深入學習PERL兼容式正則表達式, 請參考文末鏈接.
