正则表达式如何处理嵌套结构

1， 正则表达式如何处理嵌套结构

a.       .net处理嵌套结构的方法

举例说明：

问题描述：从before (nope (yes (here) okay) after中匹配得到最大的被”()”包含的文本。即显示红色的部分。

答案：.net："((?>[^()]+|"((?<DEPTH>)|")(?<-DEPTH>))*(?(DEPTH)(?!))")

        分析：

        (1)、"(匹配左括号；")匹配右括号；[^()]+匹配非括号字符串

(2)、(?>….)固化分组，固化分组的作用在于：一旦括号内的子表达式匹配之后，匹配的内容就固定下来，在接下来的匹配过程中不会改变，除非整个固化分组的括号都被弃用，在外部回溯中重新应用。该处使用固化分组的作用在于提高匹配速度。

(3)、DEPTH的使用:DEPTH实际使用了命名捕获的<?>…>，它总是能够匹配成功。正则表达式引擎的回溯堆栈保存了当前匹配成功分组的相关信息，而(?<DEPTH>)跟在"(后，所以它的成功匹配便可以保存"(的个数。跟随在")后的结构(?<-DEPTH>)是.NET独有的结构，它会在匹配")成功之后去掉最近的”successful DEPTH”标记。如果不存在这样的”successful DEPTH”标记，就会报告失败，整个正则表达式匹配失败：1,每匹配一个"(会把正则表达式保存的当前括号嵌套深度值加1；2, 每匹配一个")会把正则表达式保存的当前括号嵌套深度值减1；3, (?(DEPTH)(?!))确保匹配最后的")时，深度为0。

2， 如何使用正则表达式处理句法分析树

如何使用正则表达式识别一棵类似如下表示的句法分析树？

(TOP (S (NPB (DT The) (NN question) ) (VP (VBZ remains) (SBAR-A (IN whether) (S-A (NPB (PRP they) ) (VP (MD will) (VP-A (VB be) (ADJP (JJ able) (SG (VP (TO to) (VP-A (VB help) (PUNC. us.) ) ) ) ) ) ) ) ) ) ) )

答案："((?>[^()]+|"([^()"s]+"s(?<DEPTH>)|")"s(?<-DEPTH>))*(?(DEPTH)(?!))")

分析类似。

3， 使用正则表达式处理句法分析树实例

a.       使用正则表达式获取所有的叶结点:    "((?<POS>[^()]+)"s(?<Leaf>[^()]+)")

b.      使用正则表达式获取所有的名词短语NP:

"(NP"s(?>[^()]+|"([^()"s]+"s(?<DEPTH>)|")"s(?<-DEPTH>))*(?(DEPTH)(?!))")

c.       使用正则表达式获取满足如下性质的子树

        i.   该子句的标记为SBAR[^()]*

                   ii.      该子句根节点的第一个儿子为一个词性为IN的词。

                  iii.      该子句的第二个儿子为一个子句：使用S[^()]*识别

                 iv.      该子句没有其他的儿子

(?<Clause>"(S[^() ]*"s(?<INWH>"(IN"s[^()]+")"s)(?<ClauseAfterInWh>"(S[^() ]*"s(?>[^()]+|"([^()"s]+"s(?<DEPTH>)|")"s(?<-DEPTH>))*(?(DEPTH)(?!))")"s)")"s(?#Clause)) 在开发模板引擎时遇到了一个用正则表达式比较难以处理的情况，就是无限级的嵌套结构的匹配。HTML标签就属于这种结构。

    举个具体的例子，下面是我们要匹配的内容：

1
            2
            3
            4
            5
            
<x>
            <x></x>
            <y></y>
            </x>
            <x></x>

    在找到用正则匹配无限层嵌套结构的方法之前，我只能绕弯路来实现对无限层嵌套结构的匹配。

    我只能用正则先把每个独立的标签匹配出来，然后用第一个标签名x做参数，逐一的查找匹配出来的每一个独立标签，看看他是否是第一个x对应的闭合标签。

    这种方式得加上判断嵌套层次的代码，还得匹配和循环很多没有用的数据。

    后来我才了解到.NET提供了一个正则表达式的扩展特性，用来帮助处理无限层嵌套结构的匹配。这种特性是.NET特有的，别的编程语言或者平台不一定会有。

    我们都知道正则的匹配组的概念，它的语法是 (?<组名>)。使用这个正则语法我们可以建立一个匹配组。其实这是一个入栈的过程。

    而.NET对正则的匹配组做了一个特殊的支持 (?<-组名>)。使用这个正则语法我们可以将指定组名的最后匹配结果去除。也就是出栈了。

    一个入栈一个出栈，这一入一出就为我们提供了匹配无限层嵌套的可能 :)

    下面举个例子看看怎么实现无限层嵌套的匹配： regex-test2.png

    从图中我们可以看出正则正确的匹配出了最顶层的三个<x></x>结构，而嵌套在第二个<x></x>结构中的标签被当成了结构的内容。这是怎么做到的呢？

    下面是图中的正则，我加入了注释：

1
            2
            3
            4
            5
            6
            7
            8
            9
            10
            
<x>
            (?>
            <x>(?<n>)           #在匹配到<x>时，将匹配组n入栈
            |
            </x>(?<-n>)        #在匹配到</x>时，将匹配组n出栈
            |
            (?!<x>|</x>).      #匹配除<x>和</x>以外的其他字符
            )*
            (?(n)(?!))              #如果执行到此处还存在匹配组n，则匹配失败，重新匹配
            </x>

    这段正则中还用到了平时比较少使用到的(?!(name)yes|no)语法，这个语法相当于C语言的if语法，用于做条件判断，之用。上面的正则中我们用它来片段是否存在命名组n，如果存在命名组n，说明标记没有对称闭合，用(?!)断言匹配失败，重新匹配。

    在《Mastering Regular Expressions》中似乎有相关章节提到这种无限层嵌套结构的匹配，不过我手头没这本书。我是从这里学习到这种特殊的正则语法的，大家可以参考下

 

 

posted @ 2009-05-09 23:26  周骏  阅读(3240)  评论(1)  编辑  收藏  举报