正则表达式匹配引号中带有双引号的字符串

Question

我面临着以下列格式匹配输入的挑战：

• 输入由键=值对组成。 关键始于斜线。 该值可以是引号中的数字或字符串。
• 该值可以选择包含转义引号，即引号后跟引号（“”）。 这种逃逸的报价应被视为价值的一部分。 无需检查转义的报价是否平衡（例如，以另一个转义报价结束）。

正则表达式应该与序列的给定key = value部分匹配，并且不应该为长输入中断（例如，值为10000个字符）。

首先我来到这个解决方案：

/(\w+)=(\d+|"(?:""|[^"])+"(?!"))

并且它执行得不错，但是在Java6中，对于长输入（例如， cashes regexplanet ），StackOverflowError失败了。 我尝试改进它以便更快地运行：

/(\w+)=(\d+|"(?:""|[^"]+)+"(?!"))

但是如果输入不匹配，它会在回溯中进入无限循环，试图匹配它。

然后我来到这个正则表达式：

/(\w+)=(\d+|".+?(?<!")(?:"")*"(?!"))

表现较慢，但它似乎解决了这个任务。

任何人都可以建议更好/更快的正则表达式？

样本输入：

/mol_type="protein" /transl_table=11 /note="[CDS] (""multi
line)"  nn  /organism="""Some"" Sequence" nn  /organism="Some ""Sequence"""
/translation="MHPSSSRIPHIAVVGVSAIFPGSLDAHGFWRDILSGTDLITDVPSTHWLVE
DYYDPDPSAPDKTYAKRGAFLKDVPFDPLEWGVPPSIVPATDTTQLLALIVAKRVLEDAAQGQFE
SMSRERMSVILGVTSAQELLASMVSRIQRPVWAKALRDLGYPEDEVKRACDKIAGNYVPWQESSF
PGLLGNVVAGRIANRLDLGGTNCVTDAACASSLSAMSMAINELALGQSDLVIAGGCDTMNDAFMY
MCFSKTPALSKSGDCRPFSDKADGTLLGEGIAMVALKRLDDAERDGDRVYAVIRGIGSSSDGRSK
SVYAPVPEGQAKALRRTYAAAGYGPETVELMEAHGTGTKAGDAAEFEGLRAMFDESGREDRQWCA
LGSVKSQIGHTKAAAGAAGLFKAIMALHHKVLPPTIKVDKPNPKLDIEKTAFYLNTQARPWIRPG
DHPRRASVSSFGFGGSNFHVALEEYTGPAPKAWRVRALPAELFLLSADTPAALADRARALAKEAE
VPEILRFLARESVLSFDASRPARLGLCATDEADLRKKLEQVAAHLEARPEQALSAPLVHCASGEA
PGRVAFLFPGQGSQYVGMGADALMTFDPARAAWDAAAGVAIADAPLHEVVFPRPVFSDEDRAAQE
ARLRETRWAQPAIGATSLAHLALLAALGVRAEAFAGHSFGEITALHAAGALSAADLLRVARRRGE
LRTLGQVVDHLRASLPAAGPAASASPAAAASVPKASTAAVPAVASVAAPGAAEVERVVMAVVAET
TGYPAEMLGLQMELESDLGIDSIKRVEILSAVRDRTPGLSEVDASALAQLRTLGQVVDHLRASLP
AASAGPAVAAPAAKAPAVAAPTGVSGATPGAAEVERVVMAVVAETTGYPAEMLGLQMELESDLGI
DSIKRVEILSAVRDRTPGLAEVDASALAQLRTLGQVVDHLRASLGPAAVTAGAAPAEPAEEPAST
PLGRWTLVEEPAPAAGLAMPGLFDAGTLVITGHDAIGPALVAALAARGIAAEYAPAVPRGARGAV
FLGGLRELATADAALAVHREAFLAAQAIAAKPALFVTVQDTGGDFGLAGSDRAWVGGLPGLVKTA
ALEWPEASCRAIDLERAGRSDGELAEAIASELLSGGVELEIGLRADGRRTTPRSVRQDAQPGPLP
LGPSDVVVASGGARGVTAATLIALARASHARFALLGRTALEDEPAACRGADGEAALKAALVKAAT
SAGQRVTPAEIGRSVAKILANREVRATLDAIRAAGGEALYVPVDVNDARAVAAALDGVRGALGPV
TAIVHGAGVLADKLVAEKTVEQFERVFSTKVDGLRALLGATAGDPLKAIVLFSSIAARGGNKGQC
DYAMANEVLNKVAAAEAARRPGCRVKSLGWGPWQGGMVNAALEAHFAQLGVPLIPLAAGAKMLLD
ELCDASGDRGARGQGGAPPGAVELVLGAEPKALAAQGHGGRVALAVRADRATHPYLGDHAINGVP
VVPVVIALEWFARAARACRPDLVVTELRDVRVLRGIKLAAYESGGEVFRVDCREVSNGHGAVLAA
ELRGPQGALHYAATIQMQQPEGRVAPKGPAAPELGPWPAGGELYDGRTLFHGRDFQVIRRLDGVS
RDGIAGTVVGLREAGWVAQPWKTDPAALDGGLQLATLWTQHVLGGAALPMSVGALHTFAEGPSDG
PLRAVVRGQIVARDRTKADIAFVDDRGSLVAELRDVQYVLRPDTARGQA"
/note="primer of  Streptococcus pneumoniae

预期输出（来自regexhero.net ）：

Answer 1

为了在合理的时间内失败，你确实需要避免灾难性的回溯。 这可以使用原子分组(?>...)来完成：

/(\w+)=(\d+|"(?>(?>""|[^"]+)+)"(?!"))

# (?>(?>""|[^"]+)+)
(?>               # throw away the states created by (...)+
    (?>           # throw away the states created by [^"]+
        ""|[^"]+
    )+
)

在对于永远不会匹配的字符串上使用(?:""|[^"]+)+时出现的问题与每次匹配新的[^"]字符的事实有关，正则表达式引擎可以选择使用内部或外部+量词。

这导致了许多回溯的可能性，并且在返回故障之前，引擎必须尝试所有这些。

我们知道，如果我们在引擎到达终点时没有找到匹配，我们永远不会：我们需要做的就是抛弃回溯位置以避免问题，这就是原子分组的用途。

看一个DEMO ：失败的24个步骤，同时保留成功案例的速度（不是真正的基准测试工具，但灾难性的回溯很容易发现）

Answer 2

这个怎么样：

/(\w+)=("(?:[^"]|"")*"|\d+)

（请注意，这里是/正则表达式的一部分。根据您的宿主语言进行转义。）

如果您的正则表达式引擎支持它（Java确实如此），请使* 占有 ：

/(\w+)=("(?:[^"]|"")*+"|\d+)

---

经过一些调试后，后一个表达式可以改进为：

/(\w+)=("(?:""|[^"]*+)*+"|\d++)

请注意double *+)*+ ，它允许在一个步骤中匹配连续文本，同时不易受到灾难性回溯的影响。

Answer 3

你的初始正则表达式已经非常好了，但它比必要的更复杂，导致灾难性的回溯 。

你应该用

/(\w+)=(\d+|"(?:""|[^"])*"(?!"))

在regex101.com上直播 。

说明：

/                # Slash
(\w+)            # Indentifier --> Group 1
=                # Equals sign
(                # Group 2:
 \d+             # Either a number
|                # or
 "(?:""|[^"])*"  # a quoted string
 (?!")           # unless another quote follows
)                # End of group 2