java - 正则表达式，避免额外的零长度匹配

Question

假设我有以下正则表达式； (我正在使用java.util.regex包。java版本1.7.0_21)

Pattern p = Pattern.compile("\\G[^,]*(,|$)");

重复调用 find()，我应该能够提取 CSV 中的字段，如下所示:

String myCSV = "a,b";

所以让我们用最简单的循环来尝试一下。只需回显每个匹配的信息即可。

    Matcher m = p.matcher(myCSV);

    while (m.find()) {

        System.out.println("Match found from: " + m.start() 
                           + " (included) to: " + m.end()+ " (excluded),"
                           + " matching:  '" + m.group() + "'. Does it hit end?" + m.hitEnd());

    }

虽然我尝试构建我的正则表达式，使其不允许零长度匹配，但令人惊讶的是，它确实如此:

Match found from: 0 (included) to: 2 (excluded), matching:  'a,'. Does it hit end?false
Match found from: 2 (included) to: 3 (excluded), matching:  'b'. Does it hit end?true
Match found from: 3 (included) to: 3 (excluded), matching:  ''. Does it hit end?true

看看第三个匹配，在我看来不应该出现。事实上，我的正则表达式要求每个匹配都以 (,|$) 结尾。因此，第二次匹配需要到达并“消耗”字符串的末尾才能有效:它不会将其留作进一步的匹配!
在第二场比赛之后，hitEnd 为 true 似乎证实了这一点!

但是 查找内部状态似乎没有考虑到这一点，它会搜索进一步的匹配，此时它显然找到了它，因为正则表达式允许在后面跟随结尾时进行零长度匹配字符串因为它是有效匹配，因为每个字段都允许为空字符串(如果不是这种情况，使用 + 而不是 * 显然可以解决问题)。
我问两件事。
1)修复此问题
2)看起来两次匹配字符串结尾的原因

Answer 1

您的第一个问题有几个可能的答案。一种是使用lookbehind来确保您始终在行首或逗号之后开始匹配，如下所示:

(?<=^|,)([^,]*)(?:,|$)

如http://rubular.com/r/L5d8lZ44kh所示

出于演示目的，我为非分隔符匹配引入了一个捕获组，并为分隔符匹配使用了一个非捕获组。在您的情况下，这些更改都不是必要的；您只需要确保包含lookbehind 更改即可。

另外，正如@sin在评论中指出的那样，不需要匹配上一场比赛的结尾，所以我删除了\G。如果您将可接受的 CSV“值”字符限制为比除逗号以外的所有字符都窄的集合，则情况并非如此。

第二个问题的答案有点棘手。首先，重要的是要了解 anchor 位置(例如行首、上一场比赛的结尾、行尾等)永远不会被正则表达式捕获；他们只是匹配。比赛位置保持不变。因此，正如您所经历的那样，多个连续的表达式可以匹配相同的 anchor 。

这工作正常，只是需要有一种方法来避免匹配无限数量的零长度表达式。至少有几种方法可以实现这一点，如 http://www.regular-expressions.info/zerolength.html 中所述。 。尽管这对您的问题并不重要，但我尝试通过 Google 搜索来找出 Java 实现使用的方法，但没有成功。