java - X？正则表达式量词无法按预期工作(我)

Question

输入字符串:

• aaa---foo---ccc---ddd
• aaa---bar---ccc---ddd
• aaa---------ccc---ddd

正则表达式:aaa.*(foo|bar)?.*ccc.*(ddd)

此正则表达式在任何情况下都找不到第一组 (foo|bar)。对于捕获组 1，它始终返回 null。 我的问题是为什么以及如何避免这种情况。

这是我的正则表达式的非常简单的示例，仅用于演示。如果我删除 ? 量词，但输入字符串可以根本没有这个组(aaa--------ccc---ddd)并且我仍然需要确定它是foo还是bar还是null。但组 1 始终为 null。

包含此正则表达式和测试字符串的页面:http://fiddle.re/45c766

Answer 1

这就是它不起作用的原因:当模式中有 .* 时，匹配器的算法将尝试匹配尽可能多的字符，以使模式的其余部分正常工作。在这种情况下，如果它尝试从字符串的整个剩余部分作为 .* 开始并删除一个字符直到匹配，它会发现 (对于 "aaa---foo--- ccc---ddd") 可以让 .* 匹配 9 个字符；那么 (foo|bar)? 不匹配任何内容，这是可以的，因为它是可选的；接下来的 .* 匹配 0 个字符，然后模式的其余部分匹配。所以这就是它选择的那个。

将.*更改为.*的原因？:

aaa.*?(foo|bar)?.*?ccc.*(ddd)   

不起作用的是匹配器反向执行相同的操作。它从 0 个字符匹配开始，然后确定是否可以使该模式起作用。当它尝试这样做时，它会发现它可以使 .*? 匹配 0 个字符；那么 (foo|bar)? 不匹配任何内容；那么第二个 .*? 匹配 9 个字符；那么模式的其余部分匹配ccc---ddd。所以无论哪种方式，它都不会达到您想要的效果。

答案中有几个解决方案，都涉及前瞻。这是另一个解决方案:

aaa.*(foo|bar).*ccc.*(ddd)|aaa.*ccc.*(ddd)

这基本上按顺序检查两种模式；首先，它检查是否存在包含 foo|bar 的模式，如果不匹配，它将搜索另一种不包含 foo|bar 的可能性>。如果 foo|bar 存在的话，它总是会找到它。

不过，所有这些解决方案都涉及相当难以阅读的正则表达式。这就是我的编码方式:

Pattern pat1 = Pattern.compile("aaa(.*)ccc.*ddd");
Pattern pat2 = Pattern.compile("foo|bar");

Matcher m1 = pat1.matcher(source);
String foobar;
if (m1.matches()) {
    Matcher m2 = pat2.matcher(m1.group(1));
    if (m2.find()) {
        foobar = m2.group(0);
    } else {
        foobar = null;
    }
}

通常，尝试使用一个出色的正则表达式来解决问题会导致代码可读性较差(并且可能效率较低)，而不仅仅是将问题分解为多个部分。