PHP中的递归正则表达式用法

什么时候会用到递归正则表达式呢? 当然是待匹配的字串中递归地出现某种模式时(貌似废话),最经典的例子,就是递归正则处理嵌套括号的问题了.

例子如下:假设你的文本中包含了正确配对的嵌套括号,括号的深度可以是无限层,你想捕获这样的括号组.

恕我剧透,标准答案是这样的,代码如下:

1. <?php 
2. $string = "some text (a(b(c)d)e) more text"; 
3. if(preg_match("/(([^()]+|(?R))*)/",$string,$matches)) 
4. { 
5.     echo "<pre>"; print_r($matches); echo "</pre>"; 
6. } 
7. ?>  
8. /* 
9. 其输出结果是: 
10.  Array 
11. ( 
12.     [0] => (a(b(c)d)e) 
13.     [1] => e     
14. ) 
15. */ 

可见,我们所需要的文本,已经捕获到$matches[0]中了.

现在思考原理:上面的正则表达式中的关键点是(?R).(?R)的作用就是递归地替换它所在的整条正则表达式. 在每次迭代时, PHP 语法分析器都会将(?R)替换为”(([^()]+|(?R))*)“.

因此,具体到上述的例子,其正则表达式等价于如下代码:

"/(([^()]+|(([^()]+|(([^()]+)*))*))*)/"

但是上面的代码只适合深度为3层的括号,对于未知深度的括号嵌套,就只好使用这种正则了,代码如下:

"/(([^()]+|(?R))*)/"

它不但能够匹配无限深度,还简化了正则表达式的语法,功能强大,语法简洁,现在来细看一下"/(([^()]+|(?R))*)/"是怎样匹配"(a(b(c)d)e)"的:

1."(c)"这部分被正则式 "(([^()]+)*)" 匹配. 请注意, (c) 其实就相当于整个递归的一个缩影, 麻雀虽小五脏俱全, 因此它用到了整个正则表达式,换言之,下一步中的(c), 可以使用(?R) 来匹配.

2.(b(c)d)的匹配过程为: 

1."("匹配"(";

2."[^()]+"匹配"b";

3. (?R)匹配"(c)";

4."[^()]+"匹配"d";

5.")"匹配")".

根据上面的匹配原理,不难理解为什么数组的第2个元素$matches[1]与'e'等价.子串'e'是在最后一次匹配迭代中被捕获,匹配过程中,只有最后一次的捕获结果才会保存到数组中.

rex注:关于这个特性,可以自行尝试一下,看看使用正则式([a-z]+[0-9]+)+来匹配字串abc123xyz890, 其捕获结果$1是什么,注意,其结果与 Left Longest 原理并不冲突.

如果我们只需要捕获 $matches[0],可以这样做,代码如下:

1.  <?php 
2.     $string = "some text (a(b(c)d)e) more text"; 
3.     if(preg_match("/((?:[^()]+|(?R))*)/",$string,$matches)) 
4.     { 
5.         echo "<pre>"; print_r($matches); echo "</pre>"; 
6.     } 
7. ?>  
8. //产生的结果相同: 
9.  Array 
10.     ( 
11.      [0] => (a(b(c)d)e) 
12.     ) 

所做的改动是捕获括号()改为非捕获捕获括号(?:)了.

还可以进一步完善为如下代码:

1.  <?php 
2.     $string = "some text (a(b(c)d)e) more text"; 
3.     if(preg_match("/((?>[^()]+|(?R))*)/",$string,$matches)) 
4.     { 
5.         echo "<pre>"; print_r($matches); echo "</pre>"; 
6.     } 
7. ?> 

这里我们用到了所谓的一次性模式(rex注:余晟先生译的《精通正则表达式v3.0》中,谓之”固化分组”. 可参考该书.) PHP手册也推荐只要条件允许,就尽可能使用这种模式,以便提升正则表达式的速度.