Regex 非贪婪字符串正则表达式匹配

我很确定我在这里遗漏了一些明显的东西，但我不能让R使用非贪婪正则表达式：

> library(stringr)
> str_match('xxx aaaab yyy', "a.*?b")                                         
     [,1]   
[1,] "aaaab"

基本函数的行为方式相同：

> regexpr('a.*?b', 'xxx aaaab yyy')
[1] 5
attr(,"match.length")
[1] 5
attr(,"useBytes")
[1] TRUE

我希望匹配的是

ab

，根据以下中的“贪婪”注释：

默认情况下，重复是贪婪的，因此使用最大可能的重复次数。 可以通过添加“最小值”将其更改为“最小值”？对于量词。（还有更多 允许近似匹配的量词：请参阅TRE文档。）

有人能解释一下发生了什么事吗

更新。疯狂的是，在其他一些情况下，非贪婪模式的行为与预期一致：

> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*>')
     [,1]                                          
[1,] "<a href=\"abc\">link</a> yyy <h1>Header</h1>"
> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*?>')
     [,1]              
[1,] "<a href=\"abc\">"

>str_匹配（'xxx-yyy-Header'，'yyy-Header'
>str_匹配（'xxx-yyy头'，''）
[,1]              
[1,] ""

这是一个很难理解的概念，所以我会尽我最大的努力……如果有点混乱，有人可以随意编辑和解释

匹配您的模式的表达式将从左到右搜索。是的，以下所有字符串

aaaaaab

、

aaab

、

aab

和

ab

都与您的模式匹配，但是

aaaab

最左边开始的字符串是返回的字符串

所以在这里，你的非贪婪模式不是很有用。也许这个例子可以帮助你更好地理解非贪婪模式的作用：

str_match('xxx aaaab yyy', "a.*?y") 
#      [,1]     
# [1,] "aaaab y"

这里所有的字符串

aaaab y

，

aaaab yy

，

aaaab yy

都与模式匹配并从相同的位置开始，但由于非贪婪模式，返回了第一个字符串

---

那么，如何捕捉最后一个

ab

？使用以下方法：

str_match('xxx aaaab yyy', ".*(a.*b)")
#      [,1]        [,2]
# [1,] "xxx aaaab" "ab"

---

它是如何工作的？通过在前面添加贪婪模式

*

，您现在正在强制进程将最后一个可能的

a

放入捕获的组中。

问题是匹配两个字符串之间的最短窗口。@flodel正确地提到正则表达式引擎正在从左到右解析字符串t、 因此，所有的匹配都是最左边的。贪婪和懒惰只适用于右边的边界：贪婪的量词将子字符串匹配到最右边的边界，而懒惰的量词将匹配到要跟随的子模式的第一次出现

请参见示例：

> library(stringr)
> str_extract('xxx aaaab yyy', "a[^ab]*b")
[1] "ab"
> str_extract('xxx aaa xxx aaa zzz', "xxx.*?zzz")
[1] "xxx aaa xxx aaa zzz"
> str_extract('xxx aaa xxx aaa zzz', "xxx(?:(?!xxx|zzz).)*zzz")
[1] "xxx aaa zzz"

第一个和第三个场景返回最短的窗口，第二个场景是当前问题的说明，但具有多字符输入

场景1.边界为单个字符

如果

a

和

b

是单个字符，则使用一个求反字符类找到最短的窗口。

a[^ab]*b

将很容易地从

a

抓取子字符串，直到下一个

b

，中间没有

a

s和

b

s

场景2.边界不是单个字符

在这些情况下，您可以使用可以进一步展开的字符。

xxx（？（！xxx | zzz）。*zzz

模式匹配

xxx

，然后是任何0+字符，而不是不是

xxx

或

zzz

字符序列（

（！xxx | zzz）的起始字符的换行字符

是一个负的前瞻，如果右边的子字符串与前瞻模式匹配，则匹配失败），然后是一个

zzz

这些匹配场景可以轻松地与基本R

regmatches

（使用支持lookaheads的PCRE regex风格）一起使用：

>x未列出（regmatches（x，gregexpr（“xxx（？（！xxx | zzz）。*zzz”，x，perl=TRUE）））
[1] “xxx aaa zzz”“xxx ccc zzz”

---

注意：当在base R中使用PCRE正则表达式，或在

str_extract

/

str_match

中使用ICU正则表达式时，

与换行符不匹配，要启用该行为，需要在模式开始处添加

（？s）

（内联DOTALL修饰符）.

谢谢@floder-我完全忘记了它总是从左边开始匹配。人们已经讨论了很久了：

> x <- 'xxx aaa xxx aaa zzz xxx bbb xxx ccc zzz'
> unlist(regmatches(x, gregexpr("xxx(?:(?!xxx|zzz).)*zzz", x, perl = TRUE)))
[1] "xxx aaa zzz" "xxx ccc zzz"