PHP中的遞迴Regex用法分享

什麼時候會用到遞迴Regex呢? 當然是待匹配的字串中遞迴地出現某種模式時(貌似廢話). 最經典的例子, 就是遞迴正則處理嵌套括弧的問題了. 例子如下.

假設你的文本中包含了正確配對的嵌套括弧. 括弧的深度可以是無限層. 你想捕獲這樣的括弧組. 複製代碼 代碼如下:<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/\(([^()]+|(?R))*\)/",$string,$matches)) {
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>

結果是: 複製代碼 代碼如下:Array
(
[0] => (a(b(c)d)e)
[1] => e
)

可見, 我們所需要的文本, 已經捕獲到$matches[0]中了.

原理

現在思考原理.

上面的Regex中的關鍵點是(?R). (?R)的作用就是遞迴地替換它所在的整條Regex. 在每次迭代時, PHP 文法分析器都會將(?R)替換為”\(([^()]+|(?R))*\)“.
因此, 具體到上述的例子, 其Regex等價於: 複製代碼 代碼如下:"/\(([^()]+|\(([^()]+|\(([^()]+)*\))*\))*\)/"

但是上面的代碼只適合深度為3層的括弧. 對於未知深度的括弧嵌套, 就只好使用這種正則了: 複製代碼 代碼如下:"/\(([^()]+|(?R))*\)/"

它不但能夠匹配無限深度, 還簡化了Regex的文法. 功能強大, 文法簡潔.

現在來細看一下"/\(([^()]+|(?R))*\)/"是怎樣匹配"(a(b(c)d)e)"的:

"(c)"這部分被正則式 "\(([^()]+)*\)" 匹配. 請注意, (c) 其實就相當於整個遞迴的一個縮影, 麻雀雖小五髒俱全, 因此它用到了整個Regex.
換言之, 下一步中的(c), 可以使用(?R) 來匹配.

(b(c)d)的匹配過程為:
"\("匹配"(";
"[^()]+"匹配"b";
(?R)匹配"(c)";
"[^()]+"匹配"d";
"\)"匹配")".

根據上面的匹配原理, 不難理解為什麼數組的第2個元素$matches[1]與'e'等價. 子串'e'是在最後一次匹配迭代中被捕獲. 匹配過程中, 只有最後一次的捕獲結果才會儲存到數組中.
關於這個特性, 可以自行嘗試一下, 看看使用正則式([a-z]+[0-9]+)+來匹配字串abc123xyz890, 其捕獲結果$1是什麼. 注意, 其結果與 Left Longest 原理並不衝突.

如果我們只需要捕獲 $matches[0], 可以這樣做: 複製代碼 代碼如下:<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/((?:[^()]+|(?R))*)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>
產生的結果相同:

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

所做的改動是捕獲括弧()改為非捕獲捕獲括弧(?:)了.

還可以進一步完善為: 複製代碼 代碼如下:<?php
$string = "some text (a(b(c)d)e) more text";
if(preg_match("/((?>[^()]+|(?R))*)/",$string,$matches))
{
echo "<pre>"; print_r($matches); echo "</pre>";
}
?>

這裡我們用到了所謂的一次性模式(rex注: 餘晟先生譯的《精通Regexv3.0》中, 謂之”固化分組”. 可參考該書.) PHP手冊也推薦只要條件允許, 就儘可能使用這種模式, 以便提升Regex的速度.