具有奇怪行为的正则表达式：将字符串与反向引用匹配以允许转义以及单引号和双引号

Posted 2023-03-24

【中文标题】具有奇怪行为的正则表达式：将字符串与反向引用匹配以允许转义以及单引号和双引号

【英文标题】：RegEx with strange behaviour: matching String with back reference to allow escaping and single and double quotes

【发布时间】：2011-04-30 02:39:27

【问题描述】：

匹配一个允许转义的字符串并不难。 看这里：http://ad.hominem.org/log/2005/05/quoted_strings.php。 为简单起见，我选择了将字符串分成两个“原子”的方法：一个字符“不是引号或反斜杠”，或者一个反斜杠后跟任何字符。

"(([^"\\]|\\.)*)"

现在明显的改进是，允许不同的引号和使用反向引用。

(["'])((\\.|[^\1\\])*?)\1

多个反斜杠也被正确解释。

现在到了奇怪的部分：我必须解析一些像这样的变量（注意第一个变量值中缺少的反斜杠）：

test = 'foo'bar'
var = 'lol'
int = 7

所以我写了一个相当的表达式。我发现它的以下部分没有按预期工作（与上述表达式的唯一区别是附加的“（[\r\n]+）”）：

(["'])((\\.|[^\1\\])*?)\1([\r\n]+)

尽管缺少反斜杠，'foo'bar' 是匹配的。我为此使用了 gskinner 的 RegExr（在线工具），但 PHP (PCRE) 具有相同的行为。

要解决此问题，您可以通过将反向引用替换为 '.然后它按预期工作。 这是否意味着在这种情况下反向引用实际上不起作用？这与换行符有什么关系，没有它也能工作？

【问题讨论】：

字符类中不存在反向引用。 [^\1\\\] 匹配“不是反斜杠或 1 的每个字符”或“不是反斜杠或 \001 的每个字符”，具体取决于您选择的语言如何解释 \1。

【参考方案1】：

你不能在字符类中使用反向引用；在这种情况下，\1 将被解释为八进制 1（至少在某些正则表达式引擎中，我不知道这是否普遍正确）。

因此请尝试以下方法：

(["'])(?:\\.|(?!\1).)*\1(?:[\r\n]+)

或者，作为一个冗长的正则表达式：

(["'])       # match a quote
(?:          # either match...
 \\.         # an escaped character
 |           # or
 (?!\1).     # any character except the previously matched quote
)*           # any number of times
\1           # then match the previously matched quote again
(?:[\r\n]+)  # plus one or more linebreak characters.

编辑：删除了一些不必要的括号并将一些更改为非捕获括号。

您的正则表达式坚持要在匹配的字符串之后找到至少一个回车 - 为什么？如果它是文件的最后一行怎么办？或者如果字符串后面有注释或空格？你可能应该完全放弃那部分。

还请注意，您不必使 * 变得懒惰以使其工作 - 正则表达式不能跨越未转义的引号字符 - 并且您不必在第二部分检查反斜杠由于所有反斜杠都已被替换(?:\\.|(?!\1).) 的第一部分铲除，所以替换。这就是为什么这部分必须放在第一位的原因。