难以理解正则表达式回溯

Question

当我遇到这个问题时，我正在浏览关于 SO 的正则表达式标记的问题，

需要一个 url 的正则表达式，该 url 以 domain.com/advertorials/ 开头

正则表达式应匹配以下场景，

• domain.com/advertorials
• domain.com/advertorials?test=true
• domain.com/advertorials/

• domain.com/advertorials/?test=true

  但不是这个，

• domain.com/advertorials/version1?test=true

我想出了这个正则表达式advertorials\/?(?:(?!version)(.*))

这应该有效，但不适用于最后一种情况。查看 regex101.com 中的调试器， 我看到在匹配 's/' 之后，它逐个字符地匹配 'version' 单词并最终匹配，但由于这是负前瞻，因此条件失败。这是我在失败后回溯到's/'中的'/'之前而不是's/'之后的部分。

这是它应该如何工作的？谁能帮我理解？ （这里是演示链接：https://regex101.com/r/ww3HR8/1）。

谢谢，

注意：人们已经针对这个问题给出了解决方案，我只是想知道为什么我的正则表达式会失败。

Answer 1

正如您已经指出的那样，回溯机制负责这种现象。

? 量词，匹配 1 或 0 个重复的量化子模式让正则表达式引擎以两种方式匹配字符串：要么匹配量化子模式，要么继续匹配字符串与后续子模式。

所以，advertorials/?(?!version)(.*)（我删除了多余的(?:...) 非捕获组），当应用于domain.com/advertorials/version1?test=true 时，匹配advertorials，然后匹配/，然后负前瞻检查是否，立即到当前位置的右边，有version子串。由于在/ 之后有version，正则表达式引擎返回并看到/? 模式可以匹配一个空字符串。因此，在advertorials 之后将重新应用前瞻检查。 advertorials后面没有version，返回匹配。

通常的解决方案是使用所有格量词或原子组，但也有其他方法。

例如

advertorials\/?+(?!version)(.*)
              ^^ 

请参阅regex demo。在这里，\/?+ 匹配 1 或 0 个 / 字符，但是一旦匹配，引擎就无法返回并重新匹配该模式的字符串的一部分。

或者，您可以在前瞻中包含/? 并将其放在/? 模式之前：

advertorials(?!\/?version)\/?(.*)

见another regex demo。

如果您打算在advertorials 之后的任何位置禁止version，请使用

advertorials(?!.*version)\/?(.*)

见yet another demo。

Answer 2

使斜线可选意味着有一种方法可以在不违反约束的情况下进行匹配。如果有匹配的方法，正则表达式引擎总会找到它。

当斜线后面跟着任何东西时，使斜线不可选。

advertorials(?:/(?!version).*)?$

顺便说一下，正则表达式本身不需要反斜杠转义（尽管一些宿主语言使用斜杠作为正则表达式分隔符，所以也许你需要把它放回去）。我还删除了一些多余的括号。

Answer 3

原因：

这个突出显示的部分是可选的 advertorials\/?(?:(?!version)(.*))

因此也可以是advertorials(?:(?!version)(.*))
匹配advertorials/version

基本上，(?!version)(.*) 匹配 /version

顺便说一句，这是正常的回溯 1 个字符。
如果您已经修复了它，那么我们就完成了！