PHP中的递归正则表达式用法分享

什么时候会用到递归正则表达式呢? 当然是待匹配的字串中递归地出现某种模式时(貌似废话). 最经典的例子, 就是递归正则处理嵌套括号的问题了. 例子如下.

假设你的文本中包含了正确配对的嵌套括号. 括号的深度可以是无限层. 你想捕获这样的括号组.

<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/\(([^()]+|(?r))*\)/",$string,$matches)) {
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>

结果是:

array
(
[0] => (a(b(c)d)e)
[1] => e
)

可见, 我们所需要的文本, 已经捕获到$matches[0]中了.

原理

现在思考原理.

上面的正则表达式中的关键点是(?r). (?r)的作用就是递归地替换它所在的整条正则表达式. 在每次迭代时, php 语法分析器都会将(?r)替换为”\(([^()]+|(?r))*\)“.
因此, 具体到上述的例子, 其正则表达式等价于:

"/\(([^()]+|\(([^()]+|\(([^()]+)*\))*\))*\)/"

但是上面的代码只适合深度为3层的括号. 对于未知深度的括号嵌套, 就只好使用这种正则了:

"/\(([^()]+|(?r))*\)/"

它不但能够匹配无限深度, 还简化了正则表达式的语法. 功能强大, 语法简洁.

现在来细看一下"/\(([^()]+|(?r))*\)/"是怎样匹配"(a(b(c)d)e)"的:

"(c)"这部分被正则式 "\(([^()]+)*\)" 匹配. 请注意, (c) 其实就相当于整个递归的一个缩影, 麻雀虽小五脏俱全, 因此它用到了整个正则表达式.
换言之, 下一步中的(c), 可以使用(?r) 来匹配.

(b(c)d)的匹配过程为:
"\("匹配"(";
"[^()]+"匹配"b";
(?r)匹配"(c)";
"[^()]+"匹配"d";
"\)"匹配")".

根据上面的匹配原理, 不难理解为什么数组的第2个元素$matches[1]与'e'等价. 子串'e'是在最后一次匹配迭代中被捕获. 匹配过程中, 只有最后一次的捕获结果才会保存到数组中.
关于这个特性, 可以自行尝试一下, 看看使用正则式([a-z]+[0-9]+)+来匹配字串abc123xyz890, 其捕获结果$1是什么. 注意, 其结果与 left longest 原理并不冲突.

如果我们只需要捕获 $matches[0], 可以这样做:

<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/((?:[^()]+|(?r))*)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
产生的结果相同:

array
(
[0] => (a(b(c)d)e)
)

所做的改动是捕获括号()改为非捕获捕获括号(?:)了.

还可以进一步完善为:

<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/((?>[^()]+|(?r))*)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>

这里我们用到了所谓的一次性模式(rex注: 余晟先生译的《》中, 谓之”固化分组”. 可参考该书.) php手册也推荐只要条件允许, 就尽可能使用这种模式, 以便提升正则表达式的速度.