具有奇怪行为的正则表达式

Question

在过去的两天里我一直在努力解决这个问题。。。你知道吗

请帮助我理解为什么会这样。我的意图是只选择具有<DTL1 val="92">.....</HDR>的<HDR>

这是我的正则表达式

(?<=<HDR>).*?<DTL1\sval="3".*?</HDR>

输入字符串为：

<HDR>abc<DTL1 val="1"><DTL2 val="2"></HDR><HDR><DTL1 val="92"><DTL2 val="55"></HDR><HDR><DTL1 val="3"><DTL2 val="4"></HDR>

但是这个正则表达式选择

abc<DTL1 val="1"><DTL2 val="2"></HDR><HDR><DTL1 val="92"><DTL2 val="55"></HDR>

有人能帮我吗？你知道吗

Answer 1

卡西米尔和希波莱特已经给了你一些好的解决方案。我想详细说明几件事。你知道吗

首先，您的正则表达式为什么不能做您想做的事情：(?<=<HDR>).*?告诉它匹配任何数量的字符，从前面的第一个字符开始，直到它遇到非贪婪量词（<DTL1...）后面的字符。好的，前面加<HDR>的第一个字符是第一个a，所以它匹配从那里开始的所有内容，直到遇到固定字符串<DTL1\sval="3"。你知道吗

Casimir et Hippolyte的解决方案适用于一般情况，<；HDR>；标记的内容可以是嵌套的<；HDR>；以外的任何内容。您也可以通过积极的前瞻性来实现这一点：

(?<=<HDR>)(.(?!</HDR>))*<DTL1\sval="3".*?</HDR>

但是，如果字符串保证在所示的结构中，<；HDR>；标记只包含一个或多个<；DTL1 val=“##”>；标记，那么您知道其中不会有任何结束标记，您可以更有效地将第一个.*?替换为[^/]*：

(?<=<HDR>)[^/]*<DTL1\sval="3".*?</HDR>

否定字符类比零宽度断言更有效，如果使用的是否定字符类，贪婪的量词将比懒惰的量词更有效。你知道吗

另请注意，通过使用lookback匹配开头<；HDR>；，您将其从匹配中排除，但您将包括结尾<；/HDR>；。你确定这就是你想要的吗？你在匹配这个。。。你知道吗

<DTL1 val="3"><DTL2 val="4"></HDR>

…当你想要这个的时候。。。你知道吗

<HDR><DTL1 val="3"><DTL2 val="4"></HDR>

…或者这个。。。你知道吗

<DTL1 val="3"><DTL2 val="4">

所以，在第一种情况下，不要使用lookback作为开始标记：

<HDR>(.(?!</HDR>))*<DTL1\sval="3".*?</HDR>
<HDR>[^/]*<DTL1\sval="3".*?</HDR>

在第二种情况下，对结束标记使用前瞻：

(?<=<HDR>)(.(?!</HDR>))*<DTL1\sval="3".*?(?=</HDR>)
(?<=<HDR>)[^/]*<DTL1\sval="3".*?(?=</HDR>)

Answer 2

正则表达式引擎将始终为您提供字符串中最左边的匹配（即使您使用非贪婪量词）。这正是你得到的。你知道吗

因此，一个解决方案是禁止在.*?所描述的部分中存在另一个<HDR>过于允许。你知道吗

有两种方法可以做到这一点，可以用以下方法替换.*?：

(?>[^<]+|<(?!/HDR))*

或与：

(?:(?!</HDR).)*+

大多数情况下，第一种技术的性能更高，但是如果字符串包含高密度的<，那么第二种方法也可以得到很好的结果。你知道吗

使用possessive quantifier或atomic group可以减少获得结果的步骤数，特别是在子模式失败时。你知道吗

示例：

第一种方式：

(?<=<HDR>)(?>[^<]+|<(?!/HDR))*<DTL1\sval="3"(?>[^<]+|<(?!/HDR))*</HDR>

或此变体：

(?<=<HDR>)(?:[^<]+|<(?!/HDR|DTL1))*+<DTL1\sval="3"(?:[^<]+|<(?!/HDR))*+</HDR>

用第二种方法：

(?<=<HDR>)(?:(?!</HDR).)*<DTL1\sval="3"(?:(?!</HDR).)*+</HDR>

或此变体：

(?<=<HDR>)(?:(?!</HDR|DTL1).)*+<DTL1\sval="3"(?:(?!</HDR).)*+</HDR>