Perl 正则表达式不够贪婪

Question

我正在用 perl 编写一个正则表达式来匹配启动 perl 子例程定义的 perl 代码。这是我的正则表达式：

my $regex = '\s*sub\s+([a-zA-Z_]\w*)(\s*#.*\n)*\s*\{';

$regex 匹配启动子例程的代码。我还试图在 $1 中捕获子例程的名称，以及在子例程名称和 $2 中的初始左大括号之间的任何空格和 cmets。 2 美元给我带来了麻烦。

考虑以下 perl 代码：

my $x = 1;

sub zz
# This is comment 1.
# This is comment 2.
# This is comment 3.
{
    $x = 2;
    return;
}

当我将这个 perl 代码放入一个字符串并与 $regex 匹配时，$2 是“# This is comment 3.\n”，而不是我想要的三行 cmets。我以为正则表达式会贪婪地将所有三行 cmets 放入 $2，但似乎并非如此。

我想了解为什么 $regex 不起作用并设计一个简单的替代品。正如下面的程序所示，我有一个更复杂的替换（$re3）可以工作。但我认为了解 $regex 为什么不起作用对我来说很重要。

use strict;
use English;

my $code_string = <<END_CODE;
my \$x = 1;

sub zz
# This is comment 1.
# This is comment 2.
# This is comment 3.
{
    \$x = 2;
    return;
}
END_CODE

my $re1 = '\s*sub\s+([a-zA-Z_]\w*)(\s*#.*\n)*\s*\{';
my $re2 = '\s*sub\s+([a-zA-Z_]\w*)(\s*#.*\n){0,}\s*\{';
my $re3 = '\s*sub\s+([a-zA-Z_]\w*)((\s*#.*\n)+)?\s*\{';

print "\$code_string is '$code_string'\n";
if  ($code_string =~ /$re1/) {print "For '$re1', \$2 is '$2'\n";}
if  ($code_string =~ /$re2/) {print "For '$re2', \$2 is '$2'\n";}
if  ($code_string =~ /$re3/) {print "For '$re3', \$2 is '$2'\n";}
exit 0;

__END__

上面perl脚本的输出如下：

$code_string is 'my $x = 1;

sub zz
# This is comment 1.
# This is comment 2.
# This is comment 3.
{
    $x = 2;
    return;
} # sub zz
'
For '\s*sub\s+([a-zA-Z_]\w*)(\s*#.*\n)*\s*\{', $2 is '# This is comment 3.
'
For '\s*sub\s+([a-zA-Z_]\w*)(\s*#.*\n){0,}\s*\{', $2 is '# This is comment 3.
'
For '\s*sub\s+([a-zA-Z_]\w*)((\s*#.*\n)+)?\s*\{', $2 is '
# This is comment 1.
# This is comment 2.
# This is comment 3.
'

Answer 1

只查看正则表达式中捕获$2 的部分。它是(\s*#.*\n)。就其本身而言，它只能捕获 single 注释行。您在它后面有一个星号以捕获多个注释行，这很好用。它捕获多个注释行并将它们中的每一个逐个放入$2，每次替换之前的$2 值。因此，当正则表达式完成匹配时，$2 的最终值是捕获组匹配的 last 事物，即最后的注释行。仅有的。要修复它，您需要将星号放在捕获组中。但是随后您需要添加另一组括号（这次是非捕获），以确保星号适用于整个事物。所以你需要((?:\s*#.*\n)*)，而不是(\s*#.*\n)*。

您的第三个正则表达式有效，因为您无意中将整个表达式括在括号中，以便您可以在它后面加上一个问号。这导致$2 一次捕获所有cmets，而$3 仅捕获最终评论。

当您调试您的正则表达式时，请确保您打印出 所有 您正在使用的匹配变量的值：$1、$2、$3 等。您将拥有看到$1 只是子例程的名称，$2 只是第三条评论。这可能会让您想知道，当第一个和第二个捕获组之间没有任何内容时，您的正则表达式到底是如何跳过前两个 cmets 的，这最终会引导您发现当一个捕获组多次匹配时会发生什么。

顺便说一句，您似乎还在将子例程名称后的任何空格捕获到$1 中。这是故意的吗？（糟糕，我弄乱了我的助记符，并认为\w 是“w 代表空白”。）

Answer 2

如果您向捕获组添加重复，它将仅捕获该组的最终匹配项。这就是为什么$regex 只匹配最后的注释行。

这是我将如何重写你的正则表达式：

my $regex = '\s*sub\s+([a-zA-Z_]\w*)((?:\s*#.*\n)*)\s*\{';

这与您的$re3 非常相似，除了以下更改：

• 空白和评论匹配部分现在位于非捕获组中
• 我将正则表达式的那部分从 ((...)+)? 更改为 ((...)*)，这是等效的。

Answer 3

问题在于默认情况下\n 不是字符串的一部分。正则表达式在 \n 处停止匹配。

您需要使用s 修饰符进行多行匹配：

if  ($code_string =~ /$re1/s) {print "For '$re1', \$2 is '$2'\n";}

注意正则表达式后面的s。