如何使用正则表达式精确匹配带引号的字符串并排除内部同类型引号

本文深入探讨了如何使用正则表达式精确匹配由单引号或双引号包围的字符串，并着重解决了一个常见挑战：如何排除字符串内部出现与外部定界符相同类型的引号。文章将介绍最直接高效的交替匹配方案，以及更通用的“受控贪婪匹配”等高级技巧，旨在帮助读者掌握在不同场景下选择最优正则表达式策略。

在编译器设计或文本处理中，识别有效的字符串定义是一项基本任务。通常，字符串可以由双引号（例如 "hello world"）或单引号（例如 'hello world'）包围。一个常见的初始正则表达式模式是 (['"]).*\1，其中 (['"]) 捕获第一个引号（单引号或双引号），而 \1 回溯引用这个捕获组，确保字符串以相同的引号类型结束。

然而，当需求变得更复杂，例如需要将内部包含相同类型引号的字符串视为无效时（例如 'hello ' world' 或 "hello " world"），上述简单模式便无法满足要求。这时，我们需要一种机制来“排除”在起始引号和结束引号之间出现与起始引号相同的字符。

1. 最优方案：简单交替匹配

对于本文提出的特定问题，即匹配由单引号或双引号包围且内部不含同类型引号的字符串，最简洁、最易读且效率最高的方法是使用交替（Alternation）。这种方法通过明确指定两种可能的有效模式来解决问题。

正则表达式：

^(?:"[^"]*"|'[^']*')$

解析：

• ^ 和 $：分别匹配字符串的开始和结束，确保整个字符串都符合模式。
• (?: ... | ... )：这是一个非捕获组，用于将两个交替的模式组合在一起，而不创建额外的捕获组。
• "[^"]*"：
  • "：匹配一个双引号作为起始定界符。
  • [^"]*：匹配任意数量（零个或多个）非双引号的字符。这是关键所在，它确保了在起始双引号和结束双引号之间不会出现任何双引号。
  • "：匹配一个双引号作为结束定界符。
• |：逻辑“或”操作符，表示匹配左侧或右侧的模式。
• '[^']*'：
  • '：匹配一个单引号作为起始定界符。
  • [^']*：匹配任意数量（零个或多个）非单引号的字符。
  • '：匹配一个单引号作为结束定界符。

示例：

• "hello world"：匹配成功。
• 'foo bar'：匹配成功。
• "hello ' world"：匹配成功（内部有单引号，但外部是双引号）。
• 'hello " world'：匹配成功（内部有双引号，但外部是单引号）。
• "hello " world"：匹配失败（内部有与外部相同的双引号）。
• 'hello ' world'：匹配失败（内部有与外部相同的单引号）。

这种方法直观且性能优秀，因为它避免了复杂的反向引用和前瞻断言，直接通过字符集排除不符合的字符。

2. 高级技巧：受控贪婪匹配（Tempered Greedy Token）

虽然对于上述问题，交替匹配是最佳选择，但在更复杂的场景中，当需要排除一个捕获组的内容在某个范围内的出现时，受控贪婪匹配（Tempered Greedy Token）是一种强大的通用技术。

AssemblyAI

转录和理解语音的AI模型

65

查看详情

正则表达式：

^(['"])(?:(?!\1).)*\1$

解析：

• ^(['"])：捕获字符串的起始引号（单引号或双引号）到组 \1。
• (?: ... )*：一个非捕获组，可以重复零次或多次。
• (?!\1).：这是受控贪婪匹配的核心。
  • (?!\1)：一个负向前瞻断言。它断言当前位置的下一个字符不是与 \1 捕获组匹配的字符。
  • .：如果负向前瞻断言成功（即下一个字符不是 \1 捕获的引号），则匹配任何单个字符（除了换行符）。
• \1$：匹配与起始引号相同的结束引号，并确保字符串在此处结束。

工作原理： 这个模式通过 (?:(?!\1).)* 确保在起始引号和结束引号之间，不会出现与起始引号相同的字符。(?!\1) 就像一个守卫，每匹配一个字符前都会检查它是否是 \1。如果不是，则 . 匹配该字符并继续。如果是，则 (?!\1) 失败，整个重复组停止匹配，从而防止了内部同类型引号的出现。

注意事项： 这种方法比简单的交替匹配在性能上通常略逊一筹，因为它涉及前瞻断言和回溯引用，增加了正则表达式引擎的计算负担。但在某些情况下，当模式无法简单地用交替或字符集表达时，受控贪婪匹配会非常有用。

3. 其他高级优化（仅作了解）

在追求极致性能的场景下，还有一些更复杂的变体，例如：

• 展开星号交替（Unrolled star alternation）：^(['"])[^"']*+(?:(?!\1)['"][^"']*)*\1$
• 显式贪婪交替（Explicit greedy alternation）：^(['"])(?:[^"']++|(?!\1)["'])*\1$

这些模式通常结合了占有量词（Possessive Quantifiers）（如 ++）来防止灾难性回溯，以提高效率。然而，它们的复杂性也大大增加，通常只在性能成为瓶颈且其他方案均不适用时才考虑使用。

4. 总结与最佳实践

对于匹配不含内部同类型引号的字符串，简单交替匹配 ^(?:"[^"]*"|'[^']*')$ 是最推荐和最有效的方案。它清晰、易懂，且性能优异。

受控贪婪匹配 ^(['"])(?:(?!\1).)*\1$ 是一种更通用的高级技术，适用于需要动态排除某个捕获组内容的复杂场景。尽管它在当前问题上效率不如交替匹配，但掌握它能为解决更广泛的正则表达式难题提供思路。

在实际应用中，始终优先选择最简单、最直观且能满足需求的正则表达式。只有当简单模式无法解决问题或性能成为关键因素时，才考虑使用更高级和复杂的技巧。

提示： 在使用正则表达式时，请注意 ^ 和 $ 锚点。它们分别匹配字符串的开始和结束。在某些编程语言的正则表达式方法中（例如 Java 的 String.matches()），模式默认会尝试匹配整个字符串，此时 ^ 和 $ 锚点可能不是必需的，但显式使用它们可以提高模式的清晰度和可移植性。

以上就是如何使用正则表达式精确匹配带引号的字符串并排除内部同类型引号的详细内容，更多请关注php中文网其它相关文章！