c - 使用 PCRE 正则表达式的奇怪答案

Question

我正在使用 C ( http://www.pcre.org/) 中的 PCRE 正则表达式库来解析和匹配我的 HTML 字符串。为了简化我的问题，假设我得到了源字符串:"aaa: bbbb:"，以及我的模式:a(.*?):|b( .*?):，符号?表示是非贪婪匹配，所以答案应该是两种匹配:一种是"aaa:"和另一个"bbbb:",

然后我编程:

char *src = "aaa:  bbbb:";
char *pattern = "a(.*?):|b(.*?):";
pcre *re = NULL;

//---missing out---

re = pcre_compile(pattern,  // pattern,  
                  0,            // options,   
                  &error,       // errptr,   
                  &erroffset,   // erroffset,  
                  NULL);        // tableptr, 
while (
      (rc = pcre_exec(re,     // regex ptr,   
               NULL,          // extra arg,   
               src,           // subject,   
               strlen(src),   // length,   
               0,             // startoffset,   
               0,             // options,   
               ovector,       // ovector,   
               OVECCOUNT)     // ovecsize,   
      )!=PCRE_ERROR_NOMATCH)  
    {
       printf("\nOK, string has matched ...there are %d matchups\n\n",rc); //  
       for (i = 0; i < rc; i++)
       {
            char *substring_start = src + ovector[2*i];
            int substring_length = ovector[2*i+1] - ovector[2*i];
            printf("$%2d: %.*s length: %d\n", i, substring_length, substring_start,substring_length);
       }
       src = src + ovector[1];  // to move the src pointer to the end offset of current matchup
       if (!src) break;
    }
pcre_free(re);

我得到了我的结果:

Source : aaa:  bbbb:
Pattern: "a(.*?):|b(.*?):"

OK, string has matched ...there are 2 matches

$ 0: aaa: length: 4
$ 1: aa length: 2 

OK, string has matched ...there are 3 matches

$ 0: bbbb: length: 5
$ 1:  length: 0
$ 2: bbb length: 3

我想知道，我是怎么得到答案“$ 1: length: 0”的？

//-------------------------------------------- --------------------------------------------

@Jonathan Leffler 我认为你的回答是正确的。

刚才试过了

Source: "aaa: bbb: ccc:"
Pattern: "c(.+?):|a(.+?):|b(.+?):"

得到的结果是这样的:

$ 0: aaa: length: 4
$ 1:  length: 0
$ 2: aa length: 2

$ 0: bbbb: length: 5
$ 1:  length: 0
$ 2:  length: 0
$ 3: bbb length: 3

$ 0: cccc: length: 5
$ 1: ccc length: 3

反过来证明你的答案:

正则表达式的捕获在找到匹配项时停止，因此 aaa: 在尝试匹配 c( .+?):，结果的第一行显示了整个字符串，#2 显示了与替代项匹配的结果偏移 c(.+?):

对于 b(.+?)，它最终在正则表达式中被捕获，这解释了两个 length : 0

对于c(.+?)，它首先被捕获，所以没有length : 0

Answer 1

正则表达式中有两个捕获，每个备选一个。但是，捕获是从左到右编号的。在第二种情况下，第一个 ($1) 捕获为空；它匹配的内容中没有a，所以第一个捕获是空的；第二个 ($2) 捕获包含您期望的 b。

更令人惊讶的是，第二次捕获在第一次匹配时没有指定任何内容。如果没有数据，我猜捕获是空的。