php pcre 正则表达式不带分隔符

Question

背景/简介

一般来说，PHP 中的正则表达式，例如对于preg_match()，以/ 之类的分隔符开始和结束。我个人经常使用@。

除了分隔符之外，还可以使用 ()、{} 或 [] 等开括号和右括号。

分隔符 char 需要被转义，当它应该被解释为常规字符时。例如。 preg_match('@^\w+\@\w+\.\w+$@', $mail) 需要将'@' 转义为'\@'。

函数preg_quote(string $str, ?string $delimiter) 接受null 作为$delimiter，这表明正则表达式可以以我们不必担心分隔符的方式编写。

使用() 似乎我们不必担心分隔符，因为无论如何'(' 和')' 已经需要转义了。

[] 和 {} 有点不同。虽然孤立的 '[' 会导致错误，但孤立的 ']'、'{' 或 '}' 不会。

动机

对于包开发，我想提供用户可以指定正则表达式片段的方法，而不用担心分隔符的选择。

例如如果我在内部使用'/' 作为分隔符，那么用户（调用代码）需要在提供的正则表达式片段中转义'/'。如果我使用'@'，他们可以不转义'/'，但需要转义'@'。如果我使用null / '()'，他们就不需要逃避任何事情——我想。

这是一个虚构的例子。请不要问->setFragment()是做什么的，你只需要知道第二个参数接收一个正则表达式片段（即可以插入一个正则表达式的sn-p）。

// If regex like '/../':
$system->setFragment('email', '\w+@\w+\.\w+');  // nothing escaped.
$system->setFragment('dir', '\w+(\/\w+)*');  // '/' escaped.

// If regex like '@..@':
$system->setFragment('email', '\w+\@\w+\.\w+');  // '@' escaped.
$system->setFragment('dir', '\w+(/\w+)*');  // nothing escaped.

// If regex like '(..)':
$system->setFragment('email', '\w+@\w+\.\w+');  // nothing escaped.
$system->setFragment('dir', '\w+(/\w+)*');  // nothing escaped.

另一个例子，更类似于我实际在做的事情：

function buildMessageRegex(string $message, ?string $delimiter, array $regex_fragments = []): string {
  $quoted_message = preg_quote($message, $delimiter);
  $regex_body = strtr($quoted_message, $replacements);
  return $delimiter !== null
    ? $delimiter . '^' . $regex_body . '$' . $delimiter
    : '(^' . $regex_body . '$)';
}

// By using $delimiter === null, we don't have to escape '/' or '@'.
$regex = buildMessageRegex('Mail: %mail, Dir: %dir.', null, [
  '%mail' => '\w+@\w+\.\w+',
  '%dir' => '\w+(/\w+)*',
]);

问题

似乎() 是编写正则表达式的唯一方法，我不必担心分隔符，并且可以使用 null 作为分隔符调用preg_quote($str, null)。

这个假设正确吗？

如果是这样，我总是可以使用() 作为分隔符，并且不需要在方法中提供分隔符选项。

还是我错过了什么？

范围

我不确定这个问题/问题是否特定于 PHP，或者更普遍地适用于 PCRE 任何使用它的地方（我假设是在 Perl 中？）。

我个人对 PHP 案例很感兴趣，但我认为值得在一个很好的答案中提及这在 PHP 之外是如何应用的。

Answer 1

比具体回答您的问题更实用的解决方案。

许多字符可用作模式分隔符，包括 ascii 范围内的不可打印字符：SOH、STX、ETX、EOT、ENQ、ACK ...

它们不太可能在字符串中找到，用户在键盘上键入它们的可能性更小（如果用户真的决定在模式中放入 SOH，他可能会使用转义序列 @ 987654321@看东西）。

因此，您可以通过这种方式合理地构建模式（例如使用 SOH）：

$pattern = chr(1) . $body . chr(1) . $modifiers;

如果您寻找比 SOH（标题开头 U+0001）更有意义的内容，您最终可以选择控制字符 RS（记录分隔符 U+0030）或 EOT（传输结束 U+0004）。请注意，您不能使用 NUL (U+0000)。

显然，完全可以肯定的是，无论您选择哪种分隔符，总会有这两个很好的旧解决方案：转义或删除它。

Answer 2

不幸的是，您认为 ( 和 ) 总是需要转义的逻辑不正确。它们通常不需要在 [] 内转义，但如果 () 是分隔符，它们就需要。

例如：

preg_match('/[(]/', "foo(bar", $match);

有效，但是

preg_match('([(])', "foo(bar", $match);

得到一个“没有找到匹配分隔符')'的结尾”错误。

因此，如果您使用() 作为分隔符，调用者将需要转义[] 中的这些字符，这通常不是必需的。