Tag matching using Regex

 

Single-character tag matching

我们通常会碰到对字符串中的被tag包围的内容进行匹配的情况，比如

abc "Hello, world"

我们需要匹配""中的字符串，那么可以使用如下的regex

    "[^"]*"

这里我们使用贪婪匹配来匹配字符串，为了防止过度匹配的情况发生，我们使用了排除型字符组，即[^"]来匹配引号中的内容。这里我们还可以用忽略优先来匹配

    ".*?"

因为忽略优先的特性，所以不会出现过度匹配的情况，即不会匹配

 abc "hello, world" "hello, boy"

Multi-characters tag matching

当我们要匹配不是简单的引号中的内容时，即如果一个tag包含多个字符，这种情况，使用简单的排除型字符组就不奏效了。比如HTML/XML中，所有element都是多字符的。

<b>hello</b>

这里，如果我们简单地用

    <b>[^</b>]*</b>

是不行的，因为这里[^</b>]不是说不匹配</b>这个tag，而是不匹配<,/,b,>这些字符，所以以下合法的内容将不能匹配

    <b>/abc</b>

这里我们需要检查的是，当一个字符不是</b>时，才会去匹配，也就是跟单字符tag匹配时一样，这次需要排除</b>而已。我们可以用Lookaround来达到这个目的。

    <b>((?!</b>).)*</b>     (1)

Lookaround会迫使正则引擎检查当前位置是否是</b>，如果是，则不匹配，于是会尝试匹配</b>。这里我们需要注意，不能写成

    <b>(.(?!</b>))*</b>

这个表达式意义同上面那个不一样，这里会先匹配任意字符，之后匹配后，检查当前位置是否是</b>。

 

同单字符tag匹配一样，我们也可以使用忽略优先来匹配：

    <b>.*?</b>              (2)

这里不需要排除</b>，理由同单字符tag匹配时一样。

 

Handling Nested Tags

上面的方案无法解决有嵌套tag的情况，比如

<b>hello<b>world</b>

如果采用(1)，那么很显然，我们这里会匹配整个字符串，但是<b>hello通常不是我们的期望匹配。而(2)同样也无法解决，还是会过度匹配。

这里其实我们需要匹配的是除了所有starting tag，和ending tag之外的字符，也就是说我们需要

    start(except start, end)*end

对于贪婪匹配，我们必须同时排除starting和ending tag，

• 排除starting tag是为了防止匹配嵌套的tag
• 排除ending tag是为了防止过度匹配. e.g. <b>blahblah</b>foo</b>

    <b>((?!<b>|</b>).)*</b> => <b>((?!</?b>).)*</b>

对于非贪婪匹配，我们只需排除starting tag即可，因为我们总是不会过度匹配</b>

    <b>((?!<b>).)*?</b>

Optimization

匹配时我们已经可以使用忽略优先来匹配tags了，但是对于某些tag，我们还可以做得更好，比如C comment。C的注释形如/*...*/，其中/**/不能嵌套，我们当然可以用忽略优先来构造，得到：

/\*((?!/\*).)*?\*/

但其实，我们也可以更直接，使用：

/\*.*?\*/

这里能够这样简单地使用忽略优先来完成匹配的原因是：/**/不能嵌套，这就保证了，里面不会出现/*，所以我们可以不用排除/*。

用python做性能测试结果表明，第二个表达式的效率比第一个表达式提升约69%。

Conclusion

对于tag匹配的问题，我们得到了两种解决方案

• 使用贪婪匹配
  start((?!start|end).)*end
• 使用非贪婪匹配，且start和end之间可能存在嵌套
  start((?!start).)*?end
• 使用非贪婪匹配，且start和end之间不会存在嵌套
  start.*?end

对于single-character tag，我们只需用简单的排除型字符组替换Lookaround即可，得到

• 使用贪婪匹配
  s[^se]*e
• 使用非贪婪匹配
  s[^s]*?e

 Note

Python中的正则表达式不支持在Lookaround中使用非固定长度的表达式，需要注意tag的构造。

 Reference

[1] Mastering Regular Expression