regex - 非贪婪字符串正则表达式匹配

Question

我很确定我在这里遗漏了一些明显的东西，但我不能让 R 使用非贪婪的正则表达式:

> 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

我希望匹配只是 ab根据 http://stat.ethz.ch/R-manual/R-devel/library/base/html/regex.html 中的“贪婪”评论:

By default repetition is greedy, so the maximal possible number of repeats is used. This can be changed to ‘minimal’ by appending ? to the quantifier. (There are further quantifiers that allow approximate matching: see the TRE documentation.)

有人可以解释一下这是怎么回事吗？

更新。 疯狂的是，在其他一些情况下，非贪婪模式的行为符合预期:

> 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\">"

Answer 1

困难的概念，所以我会尽我所能......如果它有点令人困惑，有人可以随意编辑和解释得更好。

从左到右搜索与您的模式匹配的表达式。是的，以下所有字符串 aaaab , aaab , aab , 和 ab与您的模式匹配，但 aaaab从最左边开始的那个是返回的那个。

所以在这里，你的非贪婪模式不是很有用。当非贪婪模式出现时，也许这个另一个例子会帮助你更好地理解:

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

这里所有的字符串 aaaab y , aaaab yy , aaaab yyy匹配模式并从相同位置开始，但由于非贪婪模式，第一个被返回。

那么你能做些什么来捕捉最后一个 ab ?用这个:

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

它是如何工作的？通过添加贪婪模式 .*在前面，您现在正在强制进程放置最后一个可能的 a进入捕获组。