由于 PCRE 限制，正则表达式导致 Apache 崩溃

Question

我目前正在创建 bbcode 解析引擎，并且遇到了我自己无法弄清楚的情况。

问题是，我突然遇到了一个与此完全相同的问题： Windows 上的 Apache / PHP 使用正则表达式会崩溃

这意味着如果我做了类似下面的示例，由于递归计数达到 690（PCRE 的 1MB 内存限制），Apache 崩溃了：

$txt = '[b]'.str_repeat('a', 338).'[/b]';  // if I change repeat count to lower value it's ok
$regex = '#\[(?P<attributes>(?P<tag>[a-z0-9_]*?)(?:=.*?|\s.*?|))](?P<content>(?:[^[]|\[(?!/?(?P=tag)])|(?R))+?)\[/(?P=tag)]#mi';

echo preg_replace_callback($regex, function($matches) { return $matches['content']; }, $txt);

所以我需要以某种方式最大限度地减少 * 和 + 的需求在我的正则表达式中，但这就是我没有想法的地方，所以我想也许你可以提出一些建议。

欢迎使用其他解析 bbcode 的方法（可以处理嵌套标签）。 但是我不想使用已经构建的类或其他东西。我喜欢自己做事！

我还研究了 PECL 和 Pear HTML_BBCodeParser。但我不希望我的应用程序依赖于扩展。更有可能的是，我可能会执行一些脚本来检查该扩展名，如果它不存在，则使用我在这里尝试执行的 BBCode 解析器。

抱歉，如果我的描述令人沮丧，我不擅长英语^^

编辑。所以正则表达式解释道：

\[(?P<attributes>(?P<tag>[a-z0-9_]*?)(?:=.*?|\s.*?|))]

这是我的开始标签。我使用了命名组。使用“标签”我识别标签，使用“属性”我识别标签属性。也可以将标签视为属性。那么这里发生了什么？我尝试匹配一个标签，当一个标签匹配时，我尝试匹配 = 符号之后的任何内容或 \s （间隔符）之后的任何内容，直到达到标签闭合 ]。

(?P<content>(?:[^[]|\[(?!/?(?P=tag)])|(?R))+?)

现在我在这里尝试匹配内容。这是棘手的部分。我正在寻找任何不是 [ 的字符，如果找到任何字符，那么我检查它是否不是我的结束标签或递归，然后我告诉正则表达式引擎这样做，直到......

\[/(?P=tag)]

...结束标签是成立。

Answer 1

您的正则表达式，尤其是零宽度断言（环视）会导致正则表达式引擎灾难性地回溯。这个故事的寓意是：正则表达式不能不应该用于解析不规则的语言。如果您有嵌套结构，那么这不是常规语言。

事实上，我认为 BBCode 是邪恶的。 BBCode 是一种由懒惰的程序员发明的标记语言，他们不想以正确的方式过滤 HTML。结果，我们现在有一个松散的“标准”，很难实施。以正确的方式过滤 HTML：

http://htmlpurifier.org/

Answer 2

我本来打算推荐一个 BBCodeParser...

我还研究了 PECL 和 Pear HTML_BBCodeParser。但我不希望我的应用程序依赖于扩展

我发现这很奇怪。为什么要重新发明轮子？优秀软件工程的原则之一是 DRY（不要重复自己）。你正试图解决一个已经解决的问题。

我喜欢自己做事！

这本身并不坏，但有时您最好使用经过验证的解决方案；一个比您自己的经过更好测试且更强大的（正如您所发现的）。这样你就会把时间花在你真正想要解决的问题上，而不是解决已经解决的问题。不要陷入重新发明轮子的陷阱。 :)

我给你的建议（和解决方案）是使用 BBCode 解析器。

编辑

另一件事是您正在解析类似 HTML 的内容。这种性质的事物不容易被正则表达式解析。