使用 perl 等递归正则表达式匹配 Ruby 中的平衡括号答案

【问题标题】：Matching balanced parenthesis in Ruby using recursive regular expressions like perl使用 perl 等递归正则表达式匹配 Ruby 中的平衡括号
【发布时间】：2011-09-13 22:27:19
【问题描述】：

我一直在寻找一种在正则表达式中匹配平衡括号的方法，并在 Perl 中找到了一种使用递归正则表达式的方法：

my $re;
$re = qr{
           \(
              (?:
                 (?> [^()]+ )       # Non-parens without backtracking
                 |
                 (??{ $re })        # Group with matching parens
              )*
           \)
         }x;

来自perl regular expression site .

有没有办法在 Ruby 或类似的语言中做到这一点？

更新：

对于那些感兴趣的人，这里有一些有趣的链接：

Oniguruma manual - 来自 Sawa 的回答。

Pragmatic Programmers' Ruby 1.9 Regular Expressions Sample Chapter

【问题讨论】：

Oniguruma 文档链接不再可用。更好的来源可能是：github.com/kkos/oniguruma/blob/master/doc/RE

标签： ruby regex perl

【解决方案1】：

是的。使用 oniguruma 正则表达式引擎，它内置在 Ruby 1.9 中，并且可以安装在 Ruby 1.8 上，您可以做到这一点。用(?<name>...) 或(?'name'...) 命名一个子正则表达式。然后在同一个正则表达式中调用带有\g<name> 或\g'name' 的子正则表达式。因此，您的正则表达式转换为 oniguruma 正则表达式将是：

re = %r{
  (?<re>
    \(
      (?:
        (?> [^()]+ )
        |
        \g<re>
      )*
    \)
  )
}x

另请注意，PHP >=5 中的多字节字符串模块使用 oniguruma 正则表达式引擎，因此您也可以这样做。

Oniguruma 的手册是here。

【讨论】：

那么有人最好更新the Wikipedia page。尽管如此，我还是更喜欢this simpler answer，而不是使用\((?:[^()]*+|(?0))*\)。
@tchrist 我刚刚在功能比较表中将 Ruby 的递归、lookbehind、原子组、命名捕获和 unicode 属性支持更改为 yes，并删除了它适用于 Ruby 1.8 的注释。跨度>
@sawa：干得好！但你最好将 Uɴɪᴄᴏᴅᴇ 道具支持更改为Some：Oniguruma 仅支持 Gᴇɴᴇʀᴀʟ_Cᴀᴛᴇɢᴏʀʏ + 一些 Sᴄʀɪᴘᴛs。 Uɴɪᴄᴏᴅᴇ 道具支持有4⁺级别：⑴all 11 props required by RL1.2； ⑵ 兼容道具如\w &ᶜ per RL1.2A; ⑶ 命名字符如\N{POUND SIGN}per RL2.5； ⑷ 全面支持所有道具 per RL2.7。 Perl＆ICU满足所有④； Ruby 遇到了⓪。
@sawa 很高兴。 Oniguruma 有许多有趣的特性，但它也有一些重大错误，例如在正则表达式级别而不是总是在虚拟代码点中处理物理序列化（编码）。这是一个令人头疼的问题，也是一个严重的违规行为：Level 1: Basic Unicode Support. At this level, the regular expression engine provides support for Unicode characters as basic logical units. (This is independent of the actual serialization of Unicode as UTF-8, UTF-16BE, UTF-16LE, UTF-32BE, or UTF-32LE.) This is a minimal level for useful Unicode support. 看到了吗？
@sawa 尽管您的回答非常有帮助，但您可能应该做这个小修正：将(??\g<re>) 更改为(\g<re>)，因为(?? {}) 是perl 动态递归运算符（或类似的东西）。

【解决方案2】：

我喜欢上述解决方案，但经常希望忽略转义字符。假设 \ 转义了以下字符，则以下正则表达式也处理转义字符。

ESC= /(?<![\\])(?>[\\](?:[\\][\\])*)/
UNESC= /(?:\A|(?<=[^\\]))(?:[\\][\\])*/
BALANCED_PARENS = /#{UNESC}(
                   (?<bal>\(
                    (?>
                      (?>  (?:#{ESC}\(|#{ESC}\)|[^()])+     )
                      |\g<bal>
                    )*
                    \))    ) /xm

鉴于负向后视的限制，由匹配括号分隔的部分将是第一个捕获而不是整个匹配（整个匹配可能包含前导转义的反斜杠）。

ESC 和 UNESC 复杂的原因是假设 \\ 是转义的反斜杠。我们只在初始括号匹配之前使用 UNESC 序列，因为任何其他转义括号都将在原子组内匹配并且永远不会回溯。事实上，如果我们尝试将 UNESC 前缀用于内部或最终括号匹配，那么当原子组内的 [^()] 匹配前导 \ 并拒绝回溯时，它将失败。

这个正则表达式将扫描第一个分隔有效平衡括号的括号。因此，给定字符串“（（东西）”，它将匹配“（东西）”。通常，所需的行为是定位第一个（未转义的）括号，或者匹配内部（如果平衡）或不匹配。不幸的是，原子分组不会阻止整个正则表达式退出并在稍后尝试匹配，因此我们必须锚定在字符串的开头并只查看第一次捕获。以下正则表达式进行了此更改：

BALANCED_PARENS = /\A(?:#{ESC}\(|#{ESC}\)|[^()])*+
                  (?<match>\(
                   (?<bal>
                    (?>
                      (?>  (?:#{ESC}\(|#{ESC}\)|[^()])+     )
                      |\(\g<bal>
                    )*
                    \))    ) /xm

【讨论】：