正则表达式 * 和 ?元字符工作？

Question

您好，我正在使用正则表达式，但我对元字符感到困惑，尤其是 '*' 和 '?'。

'*' 应该匹配前面的字符 0 次或更多次。

例如，'ta*k' 应该匹配 'tak' 和 'tk'。

但我根本不会认为这是真的 - 这是我的推理：

为了：

正则表达式：我需要一个 't'

字符串：我没有't'

regexp：好的，你的下一个字符必须是'a'

字符串：是的

regexp：好的，继续给我字符，直到你的字符不是'a'

字符串：好的。我刚刚给了你'k'

regexp：好的，你的下一个字符必须是'k'

字符串：我没有更多字符了！

正则表达式：失败

对于传统知识：

正则表达式：我需要一个 't'

字符串：我没有't'

regexp：好的，你的下一个字符必须是'a'

字符串：不，它是一个 'k'

正则表达式：失败

谁能帮我解释一下为什么 'tak' 和 'tk' 匹配 'ta*k'？

Answer 1

* 并不意味着匹配一个字符零次或多次，而是匹配一个原子零次或多次。单个字符是一个原子，但任何分组也是。

而* 表示零个或多个。当正则表达式光标“吞下”t 时，位置为：

in the regex: t|a*k
in the string: t|ak

然后，正则表达式引擎会尝试并尽可能多地吃掉as。这里有一个。吞下之后的位置是：

in the regex: ta*|k
in the string: ta|k

然后k被吞了：

in the regex: ta*k|
in the string: tak|

正则表达式结束，匹配。请注意，字符串后面可能有其他字符，正则表达式引擎并不关心：它有一个匹配项。

如果字符串是tk，a* 之前的位置是：

in the regex: t|a*k
in the string: t|k

但是*可以匹配一个空集as，因此a*是满足的！这意味着位置变成：

in the regex: ta*|k
in the string: t|k

冲洗，重复。现在，让我们将taak 作为输入，将ta?k 作为正则表达式：这将失败，但让我们看看如何......

# before first character
regex: |ta?k
input: |taak
# t
regex: t|a?k
input: t|aak
# a?
regex: ta?|k
input: ta|ak
# k? Oops! No...
regex: |ta?k
input: t|aak
# t? Oops! No...
regex: |ta?k
input: ta|ak
# t? Oops! No...
regex: |ta?k
input: taa|k
# t? Oops! No...
regex: |ta?k
input: taak|
# t? Oops! No... And nothing to read anymore
# FAIL

这就是为什么让正则表达式快速失败非常重要的原因。

Answer 2

因为 a* 表示“a 的零个或多个实例”。

当“it”要求所有不是“a”的字符时，一旦它有一个，它（大致）将它推回输入流中。 （或者它向前窥视，或者它只是保持它等等）

第一个序列：这是你的第一个非"a"，我会坚持下去。接下来你需要一个"k"，这就是我所拥有的。

第二个序列：下一个字符不需要必须是"a"——它可能是一个或多个"a"。在这种情况下，它没有。我会坚持那个非"a"。您需要"k"？我收到你的"k" 还在这儿。

Answer 3

你领先一位：

regexp：好的，继续给我字符，直到你的字符不是 '一个'

字符串：下一个字符不是'a'

regexp：好的，你的下一个字符需要是 'k'

字符串：下一个字符是'k'

所以它起作用了。请注意，'a*' 表示“'a' 的 0 次或多次出现”，而不是“'a' 的 1 次或多次出现”。对于后者，有“+”号，就像在“a+”中一样。

Answer 4

ta*k 表示，一个't'，后跟0个或多个'a'，然后是一个'k'。所以 0 'a' 字符，会使 'tk' 成为可能的匹配项。

如果您想要“1 或更多”而不是“0 或更多”，请使用 + 而不是 *。也就是说，ta+k 将匹配 'tak' 而不是 'tk'。

如果有什么我没有解释的，请告诉我。

---

顺便说一下，R​​egEx 并不总是从左到右。引擎经常回溯、窥视并研究输入。这真的很复杂，这就是它如此强大的原因。如果您查看诸如 this one 之类的网站，它们有时会解释引擎在做什么。我推荐他们的教程，因为那是我了解 RegEx 的地方！

Answer 5

要记住的基本事项是，正则表达式是输入一组字符串的便捷简写。 a{1,5} 只是字符串集（a、aa、aaa、aaaa、aaaaa）的简写。 a* 是 ([empty], a, aa, aaa, ...) 的简写。

因此，实际上，当您将正则表达式提供给搜索算法时，您就是在告诉它要搜索的字符串列表。

因此，当您将 ta*k 提供给您的搜索算法时，您实际上是在为它提供一组字符串（tk、tak、taak、taaak、taaaak...）。

所以，是的，了解搜索算法的工作原理很有用，这样您就可以提供最有效的正则表达式，但不要让尾巴摇摆不定。