【转载】递归正则表达式的一般构造方法

标题：递归正则表达式的一般构造方法

作者：xhd2015

原帖：http://tieba.baidu.com/p/4117059926

=======================

 

先说说问题吧，很老套，如何匹配嵌套的<>

 

如果你能匹配

class regex<>

恭喜你，最初级的会了，往下看

那么，换成这个

class regex<class<>>

如果你只匹配到红色字符，不幸，你错了

一般表达式对于嵌套的符号对是没有效果的

 

并不是所有的正则工具都支持递归，实现递归的关键是能对 “规则”引用。

没错，对规则引用(而不是对\1之类的捕获组的反向引用)

如果规则允许嵌套，就意味着允许递归。先看看什么是规则引用，以及和捕获组的反向引用的区别:

表达式 (\s|\w) 意味着 或者\s，或者\w，加上括号以后，就有一个组编号，假设编号为1，那么，

规则引用就是 (?1)

反向引用就是 \1 ←没有括号

区别是，规则引用表示将那个表达式完整地应用在这里，因此(\s|\w)(?1)等价于(\s|\w)(\s|\w)

而捕获组的反向引用就是简单地将匹配到的字符完整地copy到此处

 

现在进入正题，规则引用怎么构造递归正则？

前面说了规则引用是递归的关键，这句话是什么意思呢?

递归就是自身包含自身，所以，如果规则自身包含自身，那么这就是递归。而很多嵌套的字符串其实也是一种递归。

对于嵌套<>，一般的规则只能匹配有限深度的<>，下面讨论几种情况

匹配1深度 <[^<>]*>

匹配深度2 <[^<>]*<[^<>]*>[^<>]*>

匹配深度3 ……

如果亲自动手写一写1-3的深度，你就会发现规则很简单

我们发现，2是由1递归生成的，因此，我们尝试从2中删除1，用___替代，得到

<[^<>]*___[^<>]*>

这里，特殊性可以代表一般性，所以递归式是

Rn= <[^<>]*Rn-1[^<>]*>

所以，递归表达式就是

(<[^<>]*(?1)*[^<>]*>)

经检验，完全正确。(?1)后面加个*表示同一深度允许有0个或多个<>对。

 

一般性方法:(小菜都会)

1.写出深度1的嵌套表达式

2.写出深度2的嵌套表达式

3.用(?n)替换2中1的位置，就是整个递归表达式。(n是所在组的编号)

这个方法是算法化的，可以由软件实现，即给出符号对，可以生成递归正则

 

=======================

转载者注

(<[^<>]*(?1)*[^<>]*>)可以这么写：

<[^<>]*(?0)*[^<>]*>

其中(?0)表示对整个表达式的递归引用

 

再举一例，匹配嵌套类定义，如：
class regex<
class innerA<
class innerC<
>
>
class innerB<
>
>
正则式：\s*class(?:\s+\w+)?<(?:(?0)|\s)*>\s*