在正则表达式中使用条件

Question

来源：

<TD>
    <A HREF="/home"><IMG SRC="/images/home.gif"></A>
    <IMG SRC="/images/spacer.gif">
    <A HREF="/search"><IMG SRC="/images/search.gif"></A>
    <IMG SRC="/images/spacer.gif">
    <A HREF="/help"><IMG SRC="/images/help.gif"></A>
</TD>

正则表达式：

  (<[Aa]\s+[^>]+>\s*)?<[Ii][Mm][Gg]\s+[^>]+>(?(1)\s*</[Aa]>)

结果：

<A HREF="/home"><IMG SRC="/images/home.gif"></A>
<IMG SRC="/images/spacer.gif">
<A HREF="/search"><IMG SRC="/images/search.gif"></A>
<IMG SRC="/images/spacer.gif">
<A HREF="/help"><IMG SRC="/images/help.gif"></A>

“?(1)”是什么意思？

当我在 Java 中运行它时，它会导致异常：java.util.regex.PatternSyntaxException，the 无法识别“?(1)”。

书中的解释是：

This pattern requires explanation. (<[Aa]\s+[^>]+>\s*)? matches an opening <A> or <a> tag (with any attributes that may be present), if present (the closing ? makes the expression optional). <[Ii][Mm][Gg]\s+[^>]+> then matches the <IMG> tag (regardless of case) with any of its attributes. (?(1)\s*</[Aa]>) starts off with a condition: ?(1) means execute only what comes next if backreference 1 (the opening <A> tag) exists (or in other words, execute only what comes next if the first <A> match was successful). If (1) exists, then \s*</[Aa]> matches any trailing whitespace followed by the closing </A> tag.

Answer 1

语法正确。奇怪的 (?....) 设置了一个条件。这是 if...then 语句的正则表达式语法。 (1) 是对正则表达式开头的捕获组的反向引用，它匹配 html 标记，如果有一个，因为该捕获组是可选的。由于对捕获标记的反向引用遵循正则表达式的“if”部分，因此它所做的是确保在尝试匹配结束标记之前捕获了一个开始 标记。一种非常聪明的方法，可以让两个标签都成为可选标签，但在第一个标签存在时强制两者兼而有之。这就是它能够匹配示例文本中的所有行的方式，即使其中一些只有 标签。

至于为什么它会在您的情况下引发异常，很可能您使用的正则表达式的风格不支持条件。并非所有人都这样做。

编辑：这里有一个关于正则表达式条件的很好的参考：http://www.regular-expressions.info/conditional.html

Answer 2

正如 Bryan 所说，您正在查看的是一个条件构造，而 Java 不支持它们。问号后面的括号表达式实际上可以是任何零宽度断言，如前瞻或后瞻，而不仅仅是对捕获组的引用。 （为了避免混淆，我更喜欢称这些 back-assertions捕获组匹配某事。）

几年前我在 Perl 工作时了解了条件语句，但在 Java 中我从未错过它们。例如，在这种情况下，一个简单的替换就可以解决问题：

(?i)<a\s+[^>]+>\s*<img\s+[^>]+>\s*</a]>|<img\s+[^>]+>

条件版本的一个优点是可以使用单个捕获组捕获 IMG 标记：

(?i)(<a\s+[^>]+>\s*)?(<img\s+[^>]+>)(?(1)\s*</a>)

在替代版本中，您必须为每个替代设置一个捕获组，但这在 Java 中不如在 Perl 中重要，因为它具有所有内置的正则表达式魔法。以下是我在 Java 中提取 IMG 标记的方法：

Pattern p = Pattern.compile(
  "<a\\s+[^>]+>\\s*(<img\\s+[^>]+>)\\s*</a>|(<img\\s+[^>]+>)"
  Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(s);
while (m.find())
{
  System.out.println(m.start(1) != -1 ? m.group(1) : m.group(2));
}

Answer 3

可能是这里描述的非捕获组：

还有一个特殊的群，群 0，它总是代表整个 表达。该组不包括在内 在 groupCount 报告的总数中。 以 (? 开头的组是纯的， 不捕获的非捕获组 捕获文本，不计入 组总数。 （你会看到例子 后期的非捕获组 模式类的部分方法。）

Java Regex Tutorial

Answer 4

简短的回答：它没有任何意义。问题出在这整个sn-p上：

(?(1)\s*)

() 创建一个反向引用，因此您可以重复使用内部匹配的任何文本。它们还允许您将运算符应用于其中的所有内容（但在您的示例中没有这样做）。

? 表示它之前的项目如果存在则应该匹配，但如果它不存在也可以。当它出现在 (

之后时，这根本没有意义

(?:MoreTextHere) 当您不需要重用匹配的文本时，可用于加速 RegEx。但这仍然没有任何意义，当您的输入是 HTML 时，为什么要匹配 1？

试试：

(?:<[Aa]\s+[^>]+>\s*)?<[Ii][Mm][Gg]\s+[^>]+>

您从未准确说出您要匹配的内容，因此如果此答案不能满足您的要求，请说明您要使用 RegEx 做什么。