使用 PCRE 正则表达式的奇怪答案

Question

我正在使用 C (http://www.pcre.org/) 中的 PCRE 正则表达式库来解析和匹配我的 HTML 字符串。为了简化我的问题，假设我得到了源字符串："aaa: bbbb:"，以及我的模式：a(.*?):|b( .*?):，符号?表示是非贪婪匹配，所以答案应该是两个匹配：一个是"aaa:"和另一个“bbbb：”，

然后我编程：

char *src = "aaa:  bbbb:";
char *pattern = "a(.*?):|b(.*?):";
pcre *re = NULL;

//---missing out---

re = pcre_compile(pattern,  // pattern,  
                  0,            // options,   
                  &error,       // errptr,   
                  &erroffset,   // erroffset,  
                  NULL);        // tableptr, 
while (
      (rc = pcre_exec(re,     // regex ptr,   
               NULL,          // extra arg,   
               src,           // subject,   
               strlen(src),   // length,   
               0,             // startoffset,   
               0,             // options,   
               ovector,       // ovector,   
               OVECCOUNT)     // ovecsize,   
      )!=PCRE_ERROR_NOMATCH)  
    {
       printf("\nOK, string has matched ...there are %d matchups\n\n",rc); //  
       for (i = 0; i < rc; i++)
       {
            char *substring_start = src + ovector[2*i];
            int substring_length = ovector[2*i+1] - ovector[2*i];
            printf("$%2d: %.*s length: %d\n", i, substring_length, substring_start,substring_length);
       }
       src = src + ovector[1];  // to move the src pointer to the end offset of current matchup
       if (!src) break;
    }
pcre_free(re);

我得到了结果：

Source : aaa:  bbbb:
Pattern: "a(.*?):|b(.*?):"

OK, string has matched ...there are 2 matches

$ 0: aaa: length: 4
$ 1: aa length: 2 

OK, string has matched ...there are 3 matches

$ 0: bbbb: length: 5
$ 1:  length: 0
$ 2: bbb length: 3

我想知道，我是如何得到答案的 "$ 1: length: 0"？

//--------------------------------------------- -------------------------------------------------------

@Jonathan Leffler 我认为你的回答是对的。

刚刚试了

Source: "aaa: bbb: ccc:"
Pattern: "c(.+?):|a(.+?):|b(.+?):"

得到的结果是这样的：

$ 0: aaa: length: 4
$ 1:  length: 0
$ 2: aa length: 2

$ 0: bbbb: length: 5
$ 1:  length: 0
$ 2:  length: 0
$ 3: bbb length: 3

$ 0: cccc: length: 5
$ 1: ccc length: 3

这反过来证明了你的答案：

当找到匹配时，正则表达式的捕获停止，所以aaa:在尝试匹配c(.+?):后被a(.+?):捕获，结果的第一行显示整个字符串，#2显示结果与替代 c(.+?): 匹配的偏移量

对于 b(.+?)，它最终在正则表达式中被捕获，这解释了两个 length : 0

对于c(.+?)，一开始就被抓到了，所以没有length : 0

Answer 1

正则表达式中有两个捕获，每个替代项中都有一个。但是，捕获是从左到右编号的。在第二种情况下，第一个（$1）捕获为空；它匹配的内容中没有a，所以第一个捕获是空的；第二个 ($2) 捕获包含您所期望的 b。

几乎更令人惊讶的是，在第一次匹配时没有为第二次捕获指定任何内容。如果没有数据，我猜这些捕获是空的。

Answer 2

* 表示任意数量的字符，包括零。这意味着它匹配“无”。应改用+ 字符，表示“至少匹配1”。

Answer 3

尝试使用模式char *pattern = "a+?:|b+?:";

编辑注意到只有"a+:|b+:" 也可以工作。

Answer 4

图案：

a(.*?):

此模式意味着查找未捕获的“a”，然后捕获任意数量的任何内容，修改为返回最小的匹配模式，然后是未捕获的“:”。

如果考虑字符串：

aaa:

现在想想冒号前的最后一个“a”：

a:

它与模式匹配 - 一个“a”，后面没有任何内容，然后是一个冒号。 “什么都没有”被捕获，这就是你得到零长度结果的原因。