R vs sed 正则表达式贪婪答案

【问题标题】：R vs sed regex greedinessR vs sed 正则表达式贪婪
【发布时间】：2013-07-19 05:08:56
【问题描述】：

我不太明白为什么这不会导致 "test" 并希望得到解释：

a = "blah test"
sub('^.*(test|$)', '\\1', a)
# [1] ""

将其与sed 表达式进行比较：

echo 'blah test' | sed -r 's/^.*(test|$)/\1/'
# test
echo 'blah blah' | sed -r 's/^.*(test|$)/\1/'
#

Fwiw，以下实现了我在R中想要的（相当于上面的sed结果）：

sub('^.*(test)|^.*', '\\1', a)

【问题讨论】：

@agstudy 我正在尝试匹配 test 或行尾 - 正如您所看到的 sed 理解该逻辑。我不明白你为什么这么说(test|$) == $？我添加了我想要的编辑。
@agstudy 强调我不理解您写的内容，尝试运行sub('(test|$)', 'bb', a)，R 肯定不会将其解释为与sub('$', 'bb', a) 相同
虽然这不会改变结果，但需要注意的一点是 R 使用扩展的正则表达式，而 sed（Ubuntu 12.04 64 位上的 4.2.1）默认使用基本的正则表达式。正如我所说，echo 'blah test' | sed -r 's/^.*(test|$)/\1/') 产生相同的输出。
@JoshuaUlrich 谢谢，已更改

标签： regex r sed

【解决方案1】：

您需要将^.* 标记为non-greedy

> sub('^.*?(test|$)', '\\1', "blah test")
[1] "test"
> sub('^.*?(test|$)', '\\1', "blah blah")
[1] ""

【讨论】：

@JoshuaUlrich，我不确定我的意思。也许我的意思是懒惰。
@GSee 是的，你让.* lazy.
@GSee 谢谢，这当然很有用，但似乎sed 对懒惰/贪婪有不同的想法，因为您链接中的示例对sed 来说是贪婪的方式：@987654328 @结果bbb removed;我猜条件句的贪婪有不同的实现。
是否存在一种“正确”而另一种不正确的感觉？从那个链接我得到的印象是sed 做错了吗？
Lazy、non-greedy 和 reluctant 在这种情况下都是同一个意思。但是 optional 不适用，所以我删除了。

【解决方案2】：

regex engine 的开头匹配字符串末尾的所有字符，即 greedy .*，然后它尝试匹配 (test|$)，即字符串文字 'test ' 或字符串的结尾。由于.*的第一个greedy匹配匹配了所有字符，它back-references一个字符然后再次尝试匹配(test|$)，这里$匹配字符串的结尾。

使您的匹配结果成为end of line character

我认为sed 使用 POSIX NFA，它试图在 Alternation 中找到最长的匹配，这与 R 不同，后者似乎使用 Traditional NFA

【讨论】：

谢谢；我是否误解了传统与 POSIX NFA 的关系，因为据我所知，(set|setvalue) 和(setvalue|set) 在sed 和R 中的匹配方式完全相同（在'setvalue'上测试匹配）......？
虽然两者似乎都使用 NFA，但它们的实现可能会略有不同，在某些情况下证明一个比另一个更快。另请阅读stackoverflow.com/questions/12100588/…