带有`\R`的Java-8 正则表达式否定回溯

Posted 2023-02-26

【中文标题】带有`\\R`的Java-8 正则表达式否定回溯

【英文标题】：Java-8 regex negative lookbehind with `\R`带有`\R`的Java-8 正则表达式否定回溯

【发布时间】：2017-07-17 09:47:27

【问题描述】：

answering another question 时，我编写了一个正则表达式来匹配所有空格，最多包含一个换行符。我使用 \R 换行符匹配器的负面后视来做到这一点：

((?<!\R)\s)*

后来我想了想，我说，哦不，如果有\r\n呢？它肯定会抓住第一个换行符\r，然后我会在下一个字符串的前面被一个虚假的\n 卡住，对吧？

所以我回去测试（并可能修复）它。但是，当我测试该模式时，它匹配整个\r\n。它不只匹配\r 离开\n，正如人们所期望的那样。

"\r\n".matches("((?<!\\R)\\s)*"); // true, expected false

但是，当我将documentation 中提到的“等效”模式用于\R 时，它返回false。那么这是 Java 的一个错误，还是有正当的理由可以匹配？

【参考方案1】：

构造\R 是一个宏，它将子表达式包围成一个原子组(?> parts )。

这就是为什么它不会把它们分开。

注意：如果 Java 在后视中接受固定交替，则使用 \R 是可以的，但如果引擎不接受，则会引发异常。

【讨论】：

@PatrickParker - 我认为它实际上更像(?>\r\n|\n|\r|[stuff])。但是，是的，它被替换为正则表达式字符串，然后重新解析。换句话说，它解析\R，进行替换，然后解析替换。这意味着它被硬编码到引擎中。

@PatrickParker - 原子组 是原子的。这意味着它的子表达式不能被分解，即。回溯到。一旦找到匹配项，组就完成了，它返回一个真/假条件。由于\r\n 始终是交替中的第一个，它总是会匹配（如果找到它）然后返回true。 Assertions 是一样的。从本质上讲，它永远不会超过\r\n 中的\r。

看起来 Java 不支持 Casimir 帖子中的 \R。但我将把我的帖子作为\R 构造的历史记录留下。如果它确实支持它，您应该匹配第一个\r，因为它之前没有任何内容，并且在\n 上失败，因为在\R 匹配之前有\r。不是这样的，有些事情发生了。这很可能是一个错误。

@sln: 不是我的错，\R 自 Java8 起可用

我记得 SO 上的一篇文章是关于解析器中的一个错误，该错误在某些情况下无法看到后视中的子模式是可变长度（且不受限制）。也许这是另一个错误。

【参考方案2】：

实现#1。文档有误

来源：https://docs.oracle.com/javase/8/docs/api/java/util/regex/Pattern.html

这里说：

换行符匹配器

...等价于\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029]

但是，当我们尝试使用“等价”模式时，它会返回 false：

String _R_ = "\\R";
System.out.println("\r\n".matches("((?<!"+_R_+")\\s)*")); // true

// using "equivalent" pattern
_R_ = "\\u000D\\u000A|[\\u000A\\u000B\\u000C\\u000D\\u0085\\u2028\\u2029]";
System.out.println("\r\n".matches("((?<!"+_R_+")\\s)*")); // false

// now make it atomic, as per sln's answer
_R_ = "(?>"+_R_+")";
System.out.println("\r\n".matches("((?<!"+_R_+")\\s)*")); // true

所以Javadoc应该真的说：

...等价于(?<!\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029])

Oracle 的 Sherman JDK-8176029 于 2017 年 3 月 9 日更新：

"api doc 没有错，实现错了（当"0x0d+0x0a + next.match()" 失败时回溯"0x0d+next.match()" 失败）"

---

实现#2。 Lookbehinds 不只是向后看

尽管有这个名字，lookbehind 不仅可以向后看，还可以包括甚至跳过当前位置。

考虑以下示例（来自rexegg.com）：

"_12_".replaceAll("(?<=_(?=\\d2_))\\d+", "##"); // _##_

“这很有趣，有几个原因。首先，我们在后视中进行前瞻，即使我们应该向后看，这种前瞻通过匹配两个数字和尾随下划线来跳过当前位置。这是杂技。”

对于我们的 \R 示例来说，这意味着即使我们当前的位置可能是 \n，这也不会阻止后向识别它的 \r 后面跟着 \n，然后将两者绑定一起作为一个原子组，因此拒绝将当前位置后面的\r 部分识别为单独的匹配项。

注意：为简单起见，我使用了诸如“我们当前位置是\n”之类的术语，但这并不是内部发生的确切表示。

【讨论】：

仅供参考；关于文档问题，Java Bug Report JDK-8176029 已提交。

只是一个注释。只有在指针 的物理世界中，断言才能存在于某个位置。形而上学，如果这是真的(?<=X)(?=Y)，你不能说断言存在于某个位置。因为它可能是真的，所以断言存在于在个位置之间，永远不会在一个位置上。

另外，为了意识，断言是本质上原子，因为它不能从外部回溯到它的边界。根据定义，它是原子的。不同之处在于，从表面上看，原子组消耗（默认情况下，但取决于它的 internal 构造），而断言不消耗。通过消耗，我的意思是推进当前的目标位置。将 断言 视为存在于 字符位置之间而不是在某个位置的构造，这一点始终很重要。

@sln - 你的笔记有点混乱。如果断言本质上是原子的，那么您如何解释我的示例代码中的两个不同结果？另外，请查看 JDK 错误报告。他们确实认为这种行为毕竟是一个错误。

@PatrickParker：文档错了，“修复”错了，见***.com/a/47879236/371250