引号之间匹配的正则表达式，包含转义引号

Question

这本来是我想问的问题，但在研究问题的细节时，我找到了解决方案，并认为它可能会引起其他人的兴趣。

在 Apache 中，完整的请求用双引号括起来，其中的任何引号总是用反斜杠转义：

1.2.3.4 - - [15/Apr/2005:20:35:37 +0200] "GET /\" foo=bat\" HTTP/1.0" 400 299 "-" "-" "-"

我正在尝试构建一个匹配所有不同字段的正则表达式。我当前的解决方案总是在GET/POST 之后的第一个引号处停止（实际上我只需要包括传输大小在内的所有值）：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"[^"]+"\s+(\d+)\s+(\d+|-)

我想我还会从我的 PHP 源代码中提供带有 cmets 和更好格式的解决方案：

$sPattern = ';^' .
    # ip address: 1
    '(\d+\.\d+\.\d+\.\d+)' .
    # ident and user id
    '\s+[^\s]+\s+[^\s]+\s+' .
    # 2 day/3 month/4 year:5 hh:6 mm:7 ss +timezone
    '\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]' .
    # whitespace
    '\s+' .
    # request uri
    '"[^"]+"' .
    # whitespace
    '\s+' .
    # 8 status code
    '(\d+)' .
    # whitespace
    '\s+' .
    # 9 bytes sent
    '(\d+|-)' .
    # end of regex
    ';';

在 URL 不包含其他引号的简单情况下使用它可以正常工作：

1.2.3.4 - - [15/Apr/2005:20:35:37 +0200] "GET /\ foo=bat\ HTTP/1.0" 400 299 "-" "-" "-"

现在我试图获得对无、一次或多次出现 \" 的支持，但找不到解决方案。到目前为止，我使用 regexpal.com 想出了这个：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"(.|\\(?="))*"

这里只是改动的部分：

    # request uri
    '"(.|\\(?="))*"' .

不过，太贪心了。它吃到最后一个" 之前的所有东西，而它应该只吃到第一个" 之前没有\。我还尝试引入要求在我想要的" 之前没有\，但它仍然吃到字符串的末尾（注意：我必须添加无关的\ 字符才能使其在PHP 中工作）：

    # request uri
    '"(.|\\(?="))*[^\\\\]"' .

但后来它击中了我：*?：如果紧跟在任何量词 、+、? 或 {} 之后，会使量词不贪婪（匹配最少次数）

    # request uri
    '"(.|\\(?="))*?[^\\\\]"' .

完整的正则表达式：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"(.|\\(?="))*?[^\\]"\s+(\d+)\s+(\d+|-)

2009 年 5 月 5 日更新：

由于解析了数百万行，我在正则表达式中发现了一个小缺陷：它在双引号之前包含反斜杠字符的行上中断。换句话说：

...\\"

会破坏正则表达式。 Apache 不会记录...\"，但总是将反斜杠转义为\\，因此可以安全地假设双引号前有两个反斜杠字符。

有人知道如何用正则表达式解决这个问题吗？

有用的资源：@​​987654321@ 和 regexpal.com

Answer 1

试试这个：

"(?:[^\\"]+|\\.)*"

这个正则表达式匹配一个双引号字符，后跟一个除\ 和" 之外的任何字符序列或转义序列\α（其中 α 可以是任何字符）后跟最后的双引号字符。 (?:expr) 语法只是一个非捕获组。