Perl vs Javascript正则表达式

Question

为什么以下正则表达式(通过捕获组)在Javascript中捕获字符串'abc',但在PCRE中不捕获(尽管它仍然匹配)？

(.*)*

Answer 1

这就是PCRE中捕获组为空的原因:

• 初始状态

  (.*)*     abc
   ^        ^
  

• 首先,(.*)匹配部件abc,输入位置前进到最后.捕获组包含abc此时.

  (.*)*     abc
      ^        ^
  

• 现在,输入位置之后的c字符,剩余的输入为空字符串.Kleene明星开始第二次尝试匹配该(.*)组:

  (.*)*     abc
   ^           ^
  

• 该(.*)组匹配空字符串后abc.由于匹配,先前捕获的字符串将被覆盖.

• 由于输入位置没有前进,因此在*那里迭代并且匹配成功.

JS和PCRE之间的行为差​​异是由于指定了正则表达式引擎的方式.PCRE的行为与Perl一致:

PCRE:

$ pcretest
PCRE version 8.39 2016-06-14

  re> /(.*)*/
data> abc
 0: abc
 1:

Perl的:

$ perl -e '"abc" =~ /(.*)*/; print "<$&> <$1>\n";'
<abc> <>

让我们将它与具有相同行为但支持多次捕获的.NET进行比较:

当捕获组第二次匹配时,.NET会将捕获的值添加到捕获堆栈.Perl和PCRE将简单地覆盖它.

至于JavaScript:

这是ECMA- 262§21.2.2.5.1运行时语义:RepeatMatcher抽象操作:

抽象操作RepeatMatcher采用八个参数,Matcher m,整数min,整数(或∞)max,布尔值greedy,状态x,Continuation c,整数parenIndex和整数parenCount,并执行以下步骤:

1. 如果max为零,则返回c(x).
2. 创建一个内部Continuation闭包d,它接受一个State参数y并在评估时执行以下步骤:
   • 一个.如果min为零且y's endIndex等于x's endIndex,则返回failure.
   • 湾 如果min为零,min2则为零; 否则令min2是min?1.
   • C.如果max是∞,则为max2∞; 否则令max2是max?1.
   • d.调用RepeatMatcher(m, min2, max2, greedy, y, c, parenIndex, parenCount)并返回其结果.
3. 让我们cap成为x捕获列表的新副本.
4. 对于每一个整数k,其满足parenIndex < k并k ? parenIndex+parenCount设置cap[k]到undefined.
5. 我们e要x的endIndex的.
6. 让我们xr成为国家(e, cap).
7. 如果min不为零,则返回m(xr, d).
8. 如果greedy是false,那么
   • 一个.打电话c(x)让它z成为结果.
   • 湾 如果z不是failure,请返回z.
   • C.调用m(xr, d)并返回其结果.
9. 打电话m(xr, d)让它z成为结果.
10. 如果z不是failure,请返回z.
11. 调用c(x)并返回其结果.

这基本上是对量词进行评估时应该发生什么的定义.RepeatMatcher是处理内部操作匹配的操作m.

你还需要了解一个国家是什么(§21.2.2.1,强调我的):

状态是有序对(endIndex,captures),其中endIndex是整数,捕获是NcapturingParens值列表.状态用于表示正则表达式匹配算法中的部分匹配状态.的endIndex是一加到目前为止由图案匹配的最后一个输入字符的索引,而captures保持捕获括号的结果.第nth个元素captures是一个List,表示由第一n组捕获括号获得的值,如果n尚未到达第二组捕获括号,则为undefined .由于回溯,许多国家可能在匹配过程中随时使用.

对于您的示例,RepeatMatcher参数是:

• m:Matcher负责处理子模式(.*)
• min:0(Kleene星形量词的最小匹配数)
• max:∞(Kleene星形量词的最大匹配数)
• greedy:true(使用的Kleene星形量词是贪婪的)
• x:( (0, [undefined])见上面的州定义)
• c:延续,此时它将是:在折叠父规则后,一直将其State参数作为成功返回的ContinuationMatchResult
• parenIndex:0(根据§21.2.2.5,这是在此生产的左侧发生的整个正则表达式中的左捕获括号的数量)
• parenCount:1(相同的spec段落,这是此生产的Atom扩展中左侧捕获括号的数量 - 我不会在此处粘贴完整的规范,但这基本上意味着m定义了一个捕获组)

规范中的正则表达式匹配算法是根据连续传递方式定义的.基本上,这意味着c操作意味着接下来会发生什么.

让我们展开这个算法.

第一次迭代

在第一次传球时,x₁状态是(0, [undefined]).

1. max 不是零
2. 我们此时创建了延续闭包d₁,它将在第二遍中使用,所以我们稍后会再回到这一点.
3. 制作捕获列表的副本cap₁
4. 重置在捕获cap₁到undefined,这是一个无操作在拳头通
5. 设e₁ = 0
6. 让xr₁ =(e₁,cap₁)
7. min 为零,跳过此步骤
8. greedy 是的,跳过这一步
9. 设z₁ = m(xr,d₁) - 这将评估子模式(.*)

现在,让我们退一步一点- m将匹配(.*)对abc,然后调用我们的d₁封,所以让我们解开那一个.

d₁与状态评价y₁ = (3, ["abc"]):

• min是0,但y₁的endIndex3和x₁的endIndex是0,所以不回failure
• 令min2= min= 0,因为min= 0
• 设max2= max=∞自max=∞
• 调用RepeatMatcher(m, min2, max2, greedy, y, c, parenIndex, parenCount)并返回其结果.即:RepeatMatcher(m,0,∞,false,y ₁,c,0,1)

第二次迭代

所以,现在我们要进行第二次迭代,其中x₂ = y₁ = (3, ["abc"]).

1. max 不是零
2. 我们创建延续关闭d₂在这一点上
3. 制作捕获列表的副本cap₂["abc"]
4. 复位捕捉在cap₂到undefined,我们得到cap₂ =[undefined]
5. 设e₂ = 3
6. 让xr₂ =(e₂,cap₂)
7. min 为零,跳过此步骤
8. greedy 是的,跳过这一步

9. 设z₂ = m(xr₂,d₂) -此评估子模式(.*)

   这个时间m将与之后的空字符串匹配abc,并用那个调用我们的d_2个闭包.让我们来评估d_2的作用.它的参数是y₂ =(3, [""])

   min仍然是0,但是y₂的endIndex是3和x₂的endIndex是也3(记住,这时间x是y从先前的迭代的状态)中,封闭简单地返回failure.

10. z₂是failure,跳过这一步
11. return c(x₂),c((3, ["abc"]))在此迭代中.

c只需返回一个有效的MatchResult,就像我们在模式的末尾一样.这意味着d₁返回此结果,并且第一次迭代返回从步骤10传递它.

基本上,正如您所看到的,导致JS行为与PCRE不同的规范行如下:

一个.如果min为零且y's endIndex等于x's endIndex,则返回failure.

结合使用时:

11. 调用c(x)并返回其结果.

如果迭代失败,则返回先前捕获的值.