perl:非贪婪的数量词

例子:假设在fred and barney went bowling last night 上使用/fred.+barney/进行匹配。我们知道正则表达式
将匹配上,下面我们具体的讲解这一个过程:首先,子模式fred 将匹配其对应的字符串。模式的下一部分是.+,它将匹配除了换行符之外的任意字符,次数大于等于一。但,由于加号(+)是贪婪的;它将尽可能的进行匹配。因此,它将匹配剩余的所有字符串,包括night。
现在对banrey 进行匹配,但不能成功,因为已经到了字符串的结尾处。由于.+在少一个字符的情况下仍能匹配成功,因此它退回字符串最后一个字母t。(它虽是贪婪的,但更希望整个模式能匹配成功。)子模式barney 又尝试匹配,结果仍是不行。因此.+再退回字母h,又进行匹配。一个字符接一个字符,.+退回其匹配的字符,直到其退回了字符串barney。最后,子模式banrey 被匹配上了,现在整个模式都匹配上了。
如本例所显示的那样,这些操作引起了大量的回退操作,因为这些数量词匹配了太多的字符串。

因此对于每一个贪婪的数量词,需要一种非贪婪的方法。不是使用加号(+),而是使用非贪婪的数量词+?,它将匹配一次或多次(加号的意思),但其匹配尽可能少的次数,而非尽可能多的次数。现在我们来看看模式为/fred.+?barney/时的过程:
首先,fred 将被匹配上。接着,模式的下一部分是.+?,它匹配的字符个数不大于1,因此匹配fred 后面的空格。下一个子模式是banrey,它在这里不能被匹配(因为现在的位置是and barney… 的开头)。.+?再匹配a,剩下的模式继续进行匹配。又一次,barney 不能匹配上,因此.+?再匹配n,依次类推。当.+?匹配了这5 个字符后,barney 可以被匹配上了,现在模式匹配成功。

这里也存在一些回退操作,但由于引擎只需回退,并只尝试几次,其在速度上会有很大提高。但,这种提高依赖于banrey在fred 的附近能被找到。如果数据中fred 在字符串的开头,而barney 在结尾处,则贪婪数量词方法的速度更快。因此,正则表达式的速度依赖于具体的数据。

非贪婪数量词不仅和效率相关。即便它和其对应的贪婪数量词表达式均能匹配(或者不能匹配)同一个字符串,它们匹配的部分也可能是不同的。例如,假设你有一些HTML 类型的文本,你想移除标记<BOLD>和</BOLD>,而保留其间的内容。下面是文本:
I’am talking about the cartoon with Fred and <BOLD>Wilma</BOLD>!
下面是一种移除标记的方法。它有什么错误呢?
s#<BOLD>(.*)</BOLD>#$1#g;
其问题出在星号是贪婪的。如果文本变成了下面的样子,会得到什么结果?
I thought you said Fred and <BOLD>Velma</BOLD>, not <BOLD>Wilma</BOLD>
此时,模式将匹配从第一个<BOLD>到最后一个</BOLD>之间的内容,中间的部分被保留下来。噢!我们需要非贪婪的数量词。星号的非贪婪的类型是*?,因此此模式应当是:
$#<BOLD>(.*?)</BOLD>#$1#g;
现在它能正确执行了。
由于加号的非贪婪类型是+?,星号的为*?,你可能已经意识到剩下的两种数量词其对应的类型也是类似的。花括号的非贪婪类型看起来一样,只是在闭花括号后有一个问号,如{5,10}?或者{8,}?。甚至问号数量词也有非贪婪类型:??。它匹配一次或者0 次,但倾向于匹配0 次。
posted @ 2007-05-10 16:33  盈盈的工作小纸条  阅读(1328)  评论(0编辑  收藏  举报