regex - 正则表达式中的问号未按预期工作

Question

我想匹配 > 之后的所有文本，并可选择匹配同一行上的链接:

preg_match('#(href="([^"]*))?.*>(.*)#', '<a href="world.html">Hello', $m);
print_r($m);

输入示例:

<a href="#catch-me" style="nice">Capture this text
This text should be ignored <a href="#me-too">Other text to capture
<p>This line has no link, but should be matched anyway.

预期结果:

[2] => world.html
[3] => Hello

实际结果:

[2] => 
[3] => Hello

如果我删除问号，它就会起作用，但链接显然不再是可选的。

为什么会发生这种情况以及如何解决它？

Answer 1

处理 .* 后面的可选子模式时，必须非常小心。

重点是.*在可选模式之后几乎总是“采用”可选子模式值。您的正则表达式适用于类似 href="world.html">Hello 的字符串。但如果它前面有其他符号则不然。

看:当你 try your regex反对<a href="world.html">Hello ，(href="([^"]*))? 可以匹配空字符串(遇到不匹配符号时不会失败)，匹配 < 之前的位置一开始。然后，.*开始比赛并匹配到最后，然后开始回溯。因此，该表达式找到最后一个 >然后(.*)将该行的其余部分捕获到第 3 组中。

因此，您可能可以将您的值与 (href="([^"]*))?(?:(?!href=")[^>])*>(.*) 相匹配。具有 (?:(?!href=")[^>])* 的正则表达式tempered greedy token (与 href=" 序列不匹配)，或将任务分成 2 个操作(是的，这是更好的选择):

1) 获取所有链接
2) 检查可选值。