为什么我的非贪婪 Perl 正则表达式仍然匹配太多？

Question

比如说，我有一行包含以下字符串：

"$tom" said blah blah blash.  "$dick" said "blah blah blah". "$harry" said blah blah blah.

我想提取

"$dick" said "blah blah blah"

以下代码：

my ($term) = /(".+?" said ".+?")/g;
print $term;

但它给了我比我需要的更多的内容：

"$tom" said blah blah blash.  "$dick" said "blah blah blah"

我尝试使用非捕获括号将我的模式作为一个整体进行分组：

my ($term) = /((?:".+?" said ".+?"))/g;

但是问题仍然存在。

我重读了 Learning Perl 的 Nongreedy Quantifiers 部分，但到目前为止我一无所获。

感谢您慷慨提供的任何指导:)

Answer 1

问题是，尽管它不贪心，但它仍然在不断尝试。正则表达式不会看到

"$tom" said blah blah blash.

并思考“哦，“所说”后面的内容没有被引用，所以我会跳过那个。”它认为“嗯，‘said’之后的内容没有被引用，所以它仍然是我们引用的一部分。”因此 ".+?" 匹配

"$tom" said blah blah blash.  "$dick"

您想要的是 "[^"]+"。这将匹配包含非引号的任何内容的两个引号。所以最终解决方案：

("[^"]+" said "[^"]+")

Answer 2

不幸的是 " 是一个足够奇特的字符，需要仔细对待。使用：

my ($term) = /("[^"]+?" said "[^"]+?")/g;

它应该可以正常工作（它对我来说......！）。即显式匹配“非双引号”序列而不是任意字符的序列。

Answer 3

其他人已经提到了如何解决这个问题。

我将回答如何调试此问题：您可以通过使用更多捕获来查看发生的情况：

 bash$ cat story | perl -nle 'my ($term1, $term2, $term3) = /(".+?") (said) (".+?")/g ; 
      print "term1 = \"$term1\" term2 = \"$term2\" term3 = \"$term3\" \n"; '
 term1 = ""$tom" said blah blah blash.  "$dick"" term2 = "said" term3 = ""blah blah blah""

Answer 4

这里的问题是，您的正则表达式有两种可能的匹配，一种是您想要的（较短的），另一种是正则表达式引擎选择的。引擎选择该特定匹配是因为它更喜欢字符串中较早开始且较长的匹配，而不是开始较晚且较短的匹配。换句话说，早期的比赛胜过较短的比赛。

要解决这个问题，您需要使您的正则表达式更加具体（例如告诉引擎 $term 不应包含任何引号。无论如何，使您的正则表达式尽可能具体是一个好主意。

有关正则表达式的更多详细信息和陷阱，我推荐Jeffrey Friedl的好书：掌握正则表达式