一起学习正则表达式量词与贪婪

Posted 2021-08-04 容华谢后

转载请注明出处：https://blog.csdn.net/kong_gu_you_lan/article/details/118565947

本文出自 容华谢后的博客

0.写在前面

《一起学习正则表达式（一）那些让人头晕的元字符》

在上一篇文章中，我们学习了正则的一些基础元字符，相信大家都已经忘却的差不多了，可以点击上面的链接再温习下。

今天我们一起来学习下正则中量词的三种匹配模式，贪婪模式、非贪婪模式、独占模式，这些模式会改变正则中量词的匹配行为，是每次贪婪的匹配到更多呢，还是不贪婪见好就收呢，如果不了解这些，我们写出的正则很可能是错误的，甚至会引发严重的线上性能问题。

1.量词

本篇文章所讲的内容和量词关系比较密切，先回顾下：

我们还可以用 {m,n} 的方式来表示 * + ? 这3种元字符：

元字符	同义表示方法	示例
*	{0,}	ab* 可以匹配 a 或者 abb
+	{1,}	ab+ 可以匹配 ab 或者 abb 但不能匹配 a
?	{0,1}	ab? 可以匹配 a 或者 ab 但不能匹配 abb

2.贪婪模式前传

在正则中，表示次数的量词默认是贪婪的，在贪婪模式下，会尽可能最大长度的去匹配目标字符串，我们用正则 a+ 和 a* 来匹配字符串 aaabb 测试一下。

2.1 使用 a+ 进行匹配

可以看到只匹配到了1个结果 aaa

对应的 Python 代码如下：

import re

print(re.findall(r'a+', 'aaabb'))

输出：['aaa']

2.2 使用 a* 进行匹配

可以看到匹配到了4个结果，其中还有3个是空字符串

对应的 Python 代码如下：

import re

print(re.findall(r'a*', 'aaabb'))

输出：['aaa', '', '', '']

为什么会匹配到空字符串呢？因为星号（*）代表匹配0到多次，匹配0次就是空字符串，那前面还有个 aaa 呢，为什么 aaa 之间的空字符串没有被匹配到？

这就引入到了我们今天要讲的，贪婪模式与非贪婪模式，从字面上很好理解，贪婪模式就是尽可能多的匹配，非贪婪模式就是尽可能少的匹配。

3.贪婪模式

一起来分析下上面正则 a* 的匹配过程：

字符串	a	a	a	b	b	空字符串
下标	0	1	2	3	4	5

匹配	开始	结束	说明	匹配内容
第一次	0	3	到第一个字母b发现不匹配，输出aaa	aaa
第二次	3	3	匹配剩下的bb，发现匹配不上，输出空字符串	空字符串
第三次	4	4	匹配剩下的b，发现匹配不上，输出空字符串	空字符串
第四次	5	5	匹配剩下的空字符串，输出空字符串	空字符串

a* 在匹配字符串 aaabb 时，会尽可能多的把前面的 a 都匹配上，直到第一个字母 b 不满足要求为止，匹配上3个 a，后面每次匹配的都是空字符串。

看到这里，相信你已经对贪婪模式有了更深的印象，贪婪模式的特点就是尽可能进行最大长度匹配，就是有多少要多少，下面我们在一起来看下与它完全相反的匹配模式。

4.非贪婪模式

上面讲完了贪婪模式，贪婪模式是尽可能最大长度匹配，非贪婪模式就是尽可能最小长度匹配，在量词的后面加一个问号（?），就成了非贪婪模式，比如 a*?

对应的 Python 代码如下：

import re

// 贪婪匹配
print(re.findall(r'a*', 'aaabb'))

输出：['aaa', '', '', '']

// 非贪婪匹配
print(re.findall(r'a*?', 'aaabb'))

输出：['', 'a', '', 'a', '', 'a', '', '', '']

学完了贪婪模式与非贪婪模式，你可能会问，我什么情况下会用到呢，下面举个栗子感受下：

需求是查找一段字符串中，所有双引号括起来的内容，上面使用贪婪匹配与非贪婪匹配的对比，差别很明显对吧。

5.独占模式

不管是贪婪模式，还是非贪婪模式，匹配过程中都需要发生回溯才能完成想要的功能，但是在有一些场景，我们不需要回溯，匹配不上直接返回失败就可以了，因此正则匹配中还有另外一种模式，独占模式，它和贪婪模式很像，但匹配过程中不会发生回溯，在一些使用场景中性能会更好。

先来讲讲什么是回溯，再举个栗子，有一个正则表达式和目标字符串,我们分别看下在三种匹配模式下都发生了什么：

5.1 贪婪匹配过程

正则表达式：ab{1,3}c

目标字符串：abbc

在匹配时，b{1,3} 会尽可能长的去匹配目标字符串，匹配完 abb 之后，因为要尽可能长的匹配（3个 b），目标字符串中的c就会匹配不上，这个时候会发生向前回溯，吐出当前字符 c，用正则中的 c 去匹配，匹配成功。

import regex

print(regex.findall(r'ab{1,3}c', 'abbc'))

输出：['abbc']

5.2 非贪婪匹配过程

正则表达式：ab{1,3}?c

目标字符串：abbc

在匹配时，b{1,3} 会尽可能短的去匹配目标字符串，匹配完 ab 之后，会直接用正则 c 去匹配目标字符串剩下的 b，匹配不上，发生向前回溯，重新用正则 b{1,3} 匹配 目标字符串剩下的 b，然后正则 c 匹配 目标字符串剩下的 c，匹配成功。

import regex

print(regex.findall(r'ab{1,3}?c', 'abbc'))

输出：['abbc']

5.3 独占匹配过程

在量词后面加上 + 就是独占模式。

正则表达式：ab{1,2}+bc

目标字符串：abbc

在匹配时，b{1,2} 会尽可能长的去匹配目标字符串，匹配完 abb 之后，会用正则 b 匹配目标字符串剩下的 c，匹配不上，不回溯，匹配失败。

import regex

print(regex.findall(r'ab{1,2}+bc', 'abbc'))

输出：[]

6.写在最后

最后在总结下上面讲到的内容：

到这里，正则表达式的量词与贪婪就讲完了，如果有问题可以给我留言评论，谢谢。

正则表达式在线校验工具：https://regex101.com/