Question

假设您要匹配由双字符分隔的文本，如下所示：

a = <<
Hello
World!
>>

正则表达式/<<(.*)>>/似乎会这样做，但不幸的是，当这些可以重复时，贪婪的匹配变得太多了：

a = <<
Hello
World!
>>

b = <<
Goodbye
World!
>>

之前的正则表达式将捕获

Hello
World!
>>

b = <<
Goodbye
World!

显而易见的答案是让regexp非贪婪：/＆lt;＆lt;（。*？）＆gt;＆gt; /

不幸的是，这对于长字符串（至少在Perl中）存在极端的性能问题。如果分隔符是单个字符，那么我们可以使用字符类（除了字符之外的所有字符）来解决贪婪问题。

关于正则表达式的任何想法，以使这种匹配没有性能损失？

注意：我必须使用Perl，这必须是一个正则表达式，因为它嵌入了更大的系统。

感谢。

Answer 1

扩展drewk的答案，以便它确实有效：

/<<((?:(?>[^>]+)|>(?!>))*)>>/

匹配“＆lt;＆lt;”，然后是0个或更多个块的序列，这些块是任意数量的非“＆gt;”字符或单个“＆gt;”没有跟着另一个“＆gt;”，最后是“＆gt;＆gt;”。

Answer 2

您使用的是Perl 5.10吗？试试这个：

/<<([^>]*+(?:>(?!>)[^>]*+)*+)>>/

正如@hobbs发布的正则表达式一样，只有在找到>后才能执行前瞻（与非贪婪量词相反，后者在每个位置都有效地进行前瞻）。但是这个使用了Friedl的“展开循环”技术，它应该比交替方法稍快一些。此外，所有量词都具有占有性，因此不需要保存可能使回溯成为可能的状态信息。

Answer 3

在这种情况下使用否定字符类将起作用：

/<<([^>]*)>>/与/<<(.*)>>/具有相同的探测次数，因此与/<<(.*?)>>/

一样，回溯速度更快

我同意DVK;是正则表达式唯一的方法吗？

Answer 4

在这种情况下，请查看专用解析器（例如Text::Balanced）的性能是否可以接受。它不是正则表达式，但如果没有关于“NB”poststcriptum的更多详细信息，那么在寻找仅使用正则表达式的解决方案时，您可能会有XY problem。

如果您绝对必须使用正则表达式，请查看使用前瞻功能 - 它可以提高速度。

Answer 5

假设你有一个简单的语法

my $p = Parse::RecDescent->new(<<'EOGrammar');
  program: assignment(s)

  assignment: id '=' '<<' angle_text '>>'
              { $return = [ $item{id}, $item{angle_text} ] }

  angle_text: <skip:undef> / ( [^>] | >(?!>) )* /x

  id: /\w+/
EOGrammar

和

的源文本

a = <<
Hello

World!

>>

b = <<


Goodbye
World!
>>

使用

处理结果时

for (@{ $p->program($text) }) {
  my($name,$what) = @$_;
  print "$name: [[[$what]]]\n";
}

你会看到

的输出

a: [[[
Hello

World!

]]]
b: [[[


Goodbye
World!
]]]

使用正则表达式匹配double char分隔的字符串

5 个答案: