PHP中的递归正则

之前一篇文章翻译了Perl语言中的递归正则表达式. 其实不少语言中的正则都是支持递归的, 例如本文要介绍的PHP正则递归. 虽然, 工作中最常用的正则表达式都很”正则”, 只用最基本的语法就能解决85%以上的问题, 而且合理有效地使用普通正则来解决复杂问题也是一门技巧与学问; 但是高级一点的语法的确有它存的价值, 有时不用它还真办不了事儿; 况且学习正则的乐趣也在于尝试各种各样的可能性, 满足自己无穷无尽的好奇心.

本文内容, 整理自网文Finer points of PHP regular expressions. 其分析过程剥茧抽丝, 丝丝入扣, 值得一读. 该文系统地列出了PHP中正则表达式常见特性, 我只摘取其中递归部分翻译整理出来.

正文

例子

什么时候会用到递归正则表达式呢? 当然是待匹配的字串中递归地出现某种模式时(貌似废话). 最经典的例子, 就是递归正则处理嵌套括号的问题了. 例子如下.

假设你的文本中包含了正确配对的嵌套括号. 括号的深度可以是无限层. 你想捕获这样的括号组.

恕我剧透, 标准答案是这样的:

1 2 3 4 5 6 7

<?php $string = “some text (a(b(c)d)e) more text”; if(preg_match(“/\(([^()]+|(?R))*\)/”,$string,$matches)) { echo “<pre>”; print_r($matches); echo “</pre>”; } ?>

其输出结果是:

1 2 3 4 5

Array ( [0] => (a(b(c)d)e) [1] => e )

可见, 我们所需要的文本, 已经捕获到$matches[0]中了.

原理

现在思考原理.

上面的正则表达式中的关键点是(?R). (?R)的作用就是递归地替换它所在的整条正则表达式. 在每次迭代时, PHP 语法分析器都会将(?R)替换为”\(([^()]+|(?R))*\)“.

因此, 具体到上述的例子, 其正则表达式等价于:

"/\(([^()]+|\(([^()]+|\(([^()]+)*\))*\))*\)/"

但是上面的代码只适合深度为3层的括号. 对于未知深度的括号嵌套, 就只好使用这种正则了:

"/\(([^()]+|(?R))*\)/"

它不但能够匹配无限深度, 还简化了正则表达式的语法. 功能强大, 语法简洁.

现在来细看一下"/\(([^()]+|(?R))*\)/"是怎样匹配"(a(b(c)d)e)"的:

1. "(c)"这部分被正则式 "\(([^()]+)*\)" 匹配. 请注意, (c) 其实就相当于整个递归的一个缩影, 麻雀虽小五脏俱全, 因此它用到了整个正则表达式.
   换言之, 下一步中的(c), 可以使用(?R) 来匹配.
2. (b(c)d)的匹配过程为:
   1. "\("匹配"(";
   2. "[^()]+"匹配"b";
   3. (?R)匹配"(c)";
   4. "[^()]+"匹配"d";
   5. "\)"匹配")".

根据上面的匹配原理, 不难理解为什么数组的第2个元素$matches[1]与'e'等价. 子串'e'是在最后一次匹配迭代中被捕获. 匹配过程中, 只有最后一次的捕获结果才会保存到数组中.

rex注: 关于这个特性, 可以自行尝试一下, 看看使用正则式([a-z]+[0-9]+)+来匹配字串abc123xyz890, 其捕获结果$1是什么. 注意, 其结果与 Left Longest 原理并不冲突.

如果我们只需要捕获 $matches[0], 可以这样做:

1 2 3 4 5 6 7

<?php $string = “some text (a(b(c)d)e) more text”; if(preg_match(“/\((?:[^()]+|(?R))*\)/”,$string,$matches)) { echo “<pre>”; print_r($matches); echo “</pre>”; } ?>

产生的结果相同:

1 2 3 4

Array ( [0] => (a(b(c)d)e) )

所做的改动是捕获括号()改为非捕获捕获括号(?:)了.

还可以进一步完善为:

1 2 3 4 5 6 7

<?php $string = “some text (a(b(c)d)e) more text”; if(preg_match(“/\((?>[^()]+|(?R))*\)/”,$string,$matches)) { echo “<pre>”; print_r($matches); echo “</pre>”; } ?>

这里我们用到了所谓的一次性模式(rex注: 余晟先生译的《精通正则表达式v3.0》中, 谓之”固化分组”. 可参考该书.) PHP手册也推荐只要条件允许, 就尽可能使用这种模式, 以便提升正则表达式的速度.

一次性模式很简单, 这里不再详述. 如果感兴趣, 可以参考PHP 官方手册. 如果您想深入学习PERL兼容式正则表达式, 请参考文末链接.

提到的链接

• 原文: Finer points of PHP regular expressions
• Perl兼容正则表达式 官网 文档
• PHP官网的PCRE正则文档