在正则表达式中使用条件

Question

资源：

<TD>
    <A HREF="/home"><IMG SRC="/images/home.gif"></A>
    <IMG SRC="/images/spacer.gif">
    <A HREF="/search"><IMG SRC="/images/search.gif"></A>
    <IMG SRC="/images/spacer.gif">
    <A HREF="/help"><IMG SRC="/images/help.gif"></A>
</TD>

正则表达式：

  (<[Aa]\s+[^>]+>\s*)?<[Ii][Mm][Gg]\s+[^>]+>(?(1)\s*</[Aa]>)

结果：

<A HREF="/home"><IMG SRC="/images/home.gif"></A>
<IMG SRC="/images/spacer.gif">
<A HREF="/search"><IMG SRC="/images/search.gif"></A>
<IMG SRC="/images/spacer.gif">
<A HREF="/help"><IMG SRC="/images/help.gif"></A>

“？（1）”是什么意思？

当我在Java中运行它时，它将导致异常：java.util.regex.PatternSyntaxException，无法识别“？（1）”。

书中的解释是：

This pattern requires explanation. (<[Aa]\\s+[^>]+>\\s*)? matches an opening <A> or <a> tag (with any attributes that may be present), if present (the closing ? makes the expression optional). <[Ii][Mm][Gg]\\s+[^>]+> then matches the <IMG> tag (regardless of case) with any of its attributes. (?(1)\\s*</[Aa]>) starts off with a condition: ?(1) means execute only what comes next if backreference 1 (the opening <A> tag) exists (or in other words, execute only what comes next if the first <A> match was successful). If (1) exists, then \\s*</[Aa]> matches any trailing whitespace followed by the closing </A> tag.

Answer 1

语法正确。 看起来很奇怪（？....）设置了条件。 这是if ... then语句的正则表达式语法。 （1）是对正则表达式开头的捕获组的反向引用，如果有一个，则匹配html <a>标记，因为该捕获组是可选的。 由于对捕获到的标记的反向引用是在正则表达式的“ if”部分之后进行的，因此它的工作是确保在尝试与结束标记匹配之前捕获了一个开始的<a>标记。 一种使两个标签都可选的聪明方法，但是当第一个标签存在时将它们都强制。 这样，即使其中一些仅带有<img>标记，它也能够匹配示例文本中的所有行。

至于为什么在您的情况下引发异常，您使用的正则表达式很可能不支持条件语句。 并非全部。

编辑：这是对正则表达式中条件的良好参考： http : //www.regular-expressions.info/conditional.html

Answer 2

正如Bryan所说，您正在查看的是一个条件构造，而Java不支持它们。 紧接在问号后面的带括号的表达式实际上可以是任何零宽度的断言，例如向前或向后查找，而不仅仅是对捕获组的引用。 （为了避免混淆，我更喜欢称其为后断言 。 后向引用与捕获组所做的相同，但是反向断言只是断言捕获组已匹配某项 。）

多年前，当我在Perl上工作时，我就了解了条件条件，但是我从来没有错过Java。 例如，在这种情况下，一个简单的替换就可以解决问题：

(?i)<a\s+[^>]+>\s*<img\s+[^>]+>\s*</a]>|<img\s+[^>]+>

条件版本的一个优点是，您可以使用一个捕获组来捕获IMG标签：

(?i)(<a\s+[^>]+>\s*)?(<img\s+[^>]+>)(?(1)\s*</a>)

在替代版本中，每个替代方案都必须具有捕获组，但这在Java中不像在Perl中那样重要，因为它具有所有内置的正则表达式魔术。 这是我在Java中选择IMG标签的方法：

Pattern p = Pattern.compile(
  "<a\\s+[^>]+>\\s*(<img\\s+[^>]+>)\\s*</a>|(<img\\s+[^>]+>)"
  Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(s);
while (m.find())
{
  System.out.println(m.start(1) != -1 ? m.group(1) : m.group(2));
}

Answer 3

可能是此处所述的非捕获组：

还有一个特殊的组，组0，它始终代表整个表达式。 该组不包括在groupCount报告的总数中。 以（？为开头的组是纯的，不捕获的组，它们不捕获文本并且不计入该组的总数。（您将在模式类的方法部分中稍后看到不捕获的组的示例。）

Java Regex教程

Answer 4

简短的答案：这没有任何意义。 问题在于整个片段：

(?(1)\s*)

（）创建反向引用，因此您可以重复使用内部匹配的任何文本。 它们还允许您将运算符应用于其中的所有内容（但是在您的示例中未完成）。

？ 表示它之前的项目应该匹配，如果没有，也可以。 当它出现在（之后

（？： MoreTextHere ）当您不需要重用匹配的文本时，可用于加速RegExs。 但这仍然没有任何意义，为什么当您输入的是HTML时为什么匹配1？

尝试：

(?:<[Aa]\s+[^>]+>\s*)?<[Ii][Mm][Gg]\s+[^>]+>

您从未确切地说过您要匹配的内容，因此，如果此答案不能使您满意，请解释一下您要使用RegEx做些什么。