引号之间匹配的正则表达式，包含转义引号

Question

这本来是我想问的问题，但在研究该问题的详细信息时，我找到了解决方案，并认为其他人可能会感兴趣。

在 Apache 中，完整的请求用双引号引起来，里面的任何引号总是用反斜杠转义：

1.2.3.4 - - [15/Apr/2005:20:35:37 +0200] "GET /\" foo=bat\" HTTP/1.0" 400 299 "-" "-" "-"

我正在尝试构建一个匹配所有不同字段的正则表达式。 我当前的解决方案总是在 GET/POST 之后的第一个引号处停止（实际上我只需要所有值，包括传输的大小）：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"[^"]+"\s+(\d+)\s+(\d+|-)

我想我还会提供我的来自我的 PHP 源代码的解决方案，带有注释和更好的格式：

$sPattern = ';^' .
    # ip address: 1
    '(\d+\.\d+\.\d+\.\d+)' .
    # ident and user id
    '\s+[^\s]+\s+[^\s]+\s+' .
    # 2 day/3 month/4 year:5 hh:6 mm:7 ss +timezone
    '\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]' .
    # whitespace
    '\s+' .
    # request uri
    '"[^"]+"' .
    # whitespace
    '\s+' .
    # 8 status code
    '(\d+)' .
    # whitespace
    '\s+' .
    # 9 bytes sent
    '(\d+|-)' .
    # end of regex
    ';';

在 URL 不包含其他引号的简单情况下使用此解决方案效果很好：

1.2.3.4 - - [15/Apr/2005:20:35:37 +0200] "GET /\ foo=bat\ HTTP/1.0" 400 299 "-" "-" "-"

现在我试图获得对 \" 的无、一次或多次出现的支持 进入它，但找不到解决方案，到目前为止我已经想出了这个：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"(.|\\(?="))*"

这只是更改的部分：

    # request uri
    '"(.|\\(?="))*"' .

但是，它太贪婪了，直到最后一个。 “，它应该只吃到第一个 ”，前面没有 \ 我还尝试引入没有 \ 在我想要的 " 之前，但它仍然吃到字符串的末尾（注意：我必须添加无关的 \ 字符才能在 PHP 中实现此功能）：

    # request uri
    '"(.|\\(?="))*[^\\\\]"' .

但后来我突然想到：*?：如果在任何量词 、+、? 或 {} 之后立即使用，则使量词非贪婪 (匹配最小次数）

    # request uri
    '"(.|\\(?="))*?[^\\\\]"' .

完整的正则表达式：

^(\d+\.\d+\.\d+\.\d+)\s+[^\s]+\s+[^\s]+\s+\[(\d+)/([A-Za-z]+)/(\d+):(\d+):(\d+):(\d+)\s+\+\d+\]\s+"(.|\\(?="))*?[^\\]"\s+(\d+)\s+(\d+|-)

2009 年 5 月 5 日更新：

由于解析数百万行，我在正则表达式中发现了一个小缺陷：它在包含反斜杠字符的行上中断就在双引号之前。 换句话说：

...\\"

会破坏正则表达式。 Apache 不会记录 ...\" 但始终会将反斜杠转义为 \\，因此可以安全地假设当双引号前有两个反斜杠字符时任何

人都知道如何使用正则表达式解决此问题？

有用的资源： JavaScript Regexp 文档位于developer.mozilla.org 和regexpal.com

Answer 1

试试这个：

"(?:[^\\"]+|\\.)*"

此正则表达式匹配双引号字符，后跟除 \ 和 " 以外的任何字符的序列或转义序列 \ α（其中 α 可以是任何字符）后跟最后的双引号字符 (。 ?:expr) 语法只是一个非捕获组。