PHP中的递归正则表达式用法

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.

<script>ec(2);</script>

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.

恕我剧透, 标准答案是这样的:

代码如下	复制代码
$string = "some text (a(b(c)d)e) more text"; if(preg_match("/(([^()]+|(?R))*)/",$string,$matches)) {     echo " "; print_r($matches); echo " "; } ?> 其输出结果是:  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:

代码如下	复制代码
"/(([^()]+|(([^()]+|(([^()]+)*))*))*)/"

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:

代码如下	复制代码
"/(([^()]+|(?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:

1."(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.
2.(b(c)d)的匹配过程为:
1."("匹配"(";
2."[^()]+"匹配"b";
3. (?R)匹配"(c)";
4."[^()]+"匹配"d";
5.")"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.

rex注: 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:

代码如下	复制代码
$string = "some text (a(b(c)d)e) more text";     if(preg_match("/((?:[^()]+|(?R))*)/",$string,$matches))     {         echo " "; print_r($matches); echo " ";     } ?> 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:

代码如下	复制代码
$string = "some text (a(b(c)d)e) more text";     if(preg_match("/((?>[^()]+|(?R))*)/",$string,$matches))     {         echo " "; print_r($matches); echo " ";     } ?>

这里我们用到了所谓的一次性模式(rex注: 余晟先生译的《精通正则表达式v3.0》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.