R 正则表达式编译器对给定正则表达式的工作方式不同

Question

我正在努力完善这个答案;并发现下面给出的正则表达式在 中无法正常工作（根据其含义）。R +?on.*$根据我对正则表达式的理解，上述正则表达式匹配：懒洋洋地间隔一次或多次，然后是 on，然后是任何内容（换行符除外），直到最后。输入：Posted by ondrej on 29 Feb 2020.Posted by ona'je on 29 Feb 2020.OUTPUT（据我所知，如果测试字符串中的正则表达式模式被替换为“”）Posted byPosted by 当我试图在python（这里的实现）中测试它时，javascript和java（这里的实现）;我得到了我预期的结果。const myString = "Posted by ondrej on 29 Feb 2020.\nPosted by ona'je on";console.log(myString.replace( new RegExp(" +?on.*$","gm"),""));展开代码段另一方面，如果我试图在R中实现相同的正则表达式（在这里实现）;或者我得到的结果是Posted by ondrejPosted by ona'je这是出乎意料的。怀疑我认为也许正则表达式解析器的工作方式不同（也许是从右到左）。我阅读了正则表达式如何工作的文档，但发现上述正则表达式与其他语言没有什么不同。我在这里可能错过了一些东西。我不精通，但就我的正则表达式知识而言;我相信上面的正则表达式应该像它的工作方式一样工作，并且（也可能在）每个标准正则表达式引擎中（据我所知）。我的问题是为什么上面的正则表达式在R中的工作方式不同？RRRjavajavascriptpythonpcre

Answer 1

看起来 TRE 正则表达式引擎（默认情况下在基本 R 正则表达式函数中使用）基于 Henry Spencer 最初由 Henry Spencer 在 1986 年编写的正则表达式库，如果正则表达式中的第一个模式以惰性量词开头并以 anchor 结尾，则与字符串末尾的最短匹配匹配匹配。$

比较以下情况：

sub(" +?on.*$", "", Data)  # "Posted by ondrej" "Posted by ona'je"

sub(" +?on.*", "", Data)   # "Posted bydrej on 29 Feb 2020." "Posted bya'je on 29feb 2020"

sub(" +?on(.*)", "", Data) # as expected

sub(" +on.*", "", Data)    # as expected

这是怎么回事？

• 第一种情况是，第一种模式将所有量词的贪婪性设置为正则表达式中的同一水平。因此，第二个量词 ， 将被设置为懒惰，即使没有之后，因为第一个空间被量化为 ，一个懒惰量词。这是一个已知的TRE“错误”，也存在于基于Henry Spencer的regexl库的其他一些正则表达式引擎中。sub(" +?on.*$", "", Data)*?+?

• 第二个匹配的方式与编写方式相同（同样，由于第一个模式在该级别上将贪婪级别设置为懒惰），并且该模式仅匹配1个或多个空格，然后在模式结束时不匹配任何内容。sub(" +?on.*", "", Data)" +?on.*?"on.*?

• 第三个，产生预期的结果，因为第二个量化模式，在另一个层次（一个层次深）上，它的贪婪不受另一个层次的影响。所以，在这里贪婪地匹配。sub(" +?on(.*)", "", Data).* +?(.*)

• 第四个，产生预期的结果，因为第一个模式是贪婪的，所以下一个量化的模式贪婪也是贪婪的。sub(" +on.*", "", Data)