如何将前瞻正则表达式拆分为 2 个普通正则表达式？

Question

我有一个前瞻正则表达式[^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])。在my test 中，它从@@||imasdk.googleapis.com/js/core/bridge*.html 中提取4 个子字符串：

• |imasdk
• .googleapis
• .com
• /core

我需要用 2 个旧正则表达式重写它，因为我不能使用前瞻（正则表达式引擎不支持）。我将其拆分为[^a-z0-9%*][a-z0-9%]{3,} 和[^a-z0-9%*]，并在匹配后检查子字符串中的每个第一个正则表达式匹配。

由于某种原因it extracts/bridge 也因为. 未在[^a-z0-9%*] 中列出，而是在/bridge 之后找到。那么前瞻是如何工作的：它必须是完全匹配、substr（find 结果）还是其他任何东西？这是否意味着在这种情况下，每个结束字符都不应来自集合 a-z0-9%*？

在 Rust 中，代码如下所示：

    lazy_static! {
        // WARNING: the original regex is `"[^a-z0-9%*][a-z0-9%]{3,}(?=[^a-z0-9%*])"` but Rust's regex
        // does not support look-around, so we have to check it programmatically for the last match
        static ref REGEX: Regex = Regex::new(r###"[^a-z0-9%*][a-z0-9%]{3,}"###).unwrap();
        static ref LOOKAHEAD_REGEX: Regex = Regex::new(r###"[^a-z0-9%*]"###).unwrap();
    }

    let pattern_lowercase = pattern.to_lowercase();
    
    let results = REGEX.find_iter(&pattern_lowercase);
    for (is_last, each_candidate) in results.identify_last() {
        let mut candidate = each_candidate.as_str();
        if !is_last {
            // have to simulate positive-ahead check programmatically
            let ending = &pattern_lowercase[each_candidate.end()..]; // substr after the match
            println!("searching in {:?}", ending);
            let lookahead_match = LOOKAHEAD_REGEX.find(ending);
            if lookahead_match.is_none() {
                // did not find anything => look-ahead is NOT positive
                println!("NO look-ahead match!");
                break;
            } else {
                println!("found look-ahead match: {:?}", lookahead_match.unwrap().as_str());
            }
        }
         ...

测试输出：

"|imasdk":
searching in ".googleapis.com/js/core/bridge*.html"
found look-ahead match: "."
".googleapis":
searching in ".com/js/core/bridge*.html"
found look-ahead match: "."
".com":
searching in "/js/core/bridge*.html"
found look-ahead match: "/"
"/core":
searching in "/bridge*.html"
found look-ahead match: "/"
"/bridge":
searching in "*.html"
found look-ahead match: "."

^在这里你可以看到/bridge是由于关注.而被发现的，不正确。

Answer 1

您的LOOKAHEAD_REGEX 在匹配后的任何位置查找不在范围内的字符，但带有前瞻的原始正则表达式仅在匹配后立即查看单个字符。这就是为什么您的代码找到 /bridge 而 regex101 没有找到的原因：您的代码在匹配后的某处看到 . 而 regex101 只查看 *。

您可以通过锚定LOOKAHEAD_REGEX 来修复您的代码，使其仅查看第一个字符：^[^a-z0-9%*]。

或者，正如@Sven Marnach 所建议的，您可以使用与完整表达式匹配的单个正则表达式：[^a-z0-9%*][a-z0-9%]{3,}[^a-z0-9%*]，并去除匹配的最后一个字符。