Java正则表达式中带有负前瞻断言的奇怪性

Question

我正在努力理解Java中正则表达式的行为，并遇到了一些看起来很奇怪的东西。 在下面的代码中，测试突然失败，原因是我在测试时不理解消息标签“6个字母匹配，负面”（后续的两个测试也失败了）。 我一直盯着这个太长时间，还是确实发生了一些奇怪的事情？ 我不是这与可变长度负向前瞻断言（？！X）有关，但我很乐意听到任何理论，甚至确认其他人遇到同样的问题，并且它不是特定于我的JVM。 对不起，正则表达式是如此做作，但你不想看到真实的东西:)

// $ java -version
// java version "1.7.0_10"
// Java(TM) SE Runtime Environment (build 1.7.0_10-b18)
// Java HotSpot(TM) 64-Bit Server VM (build 23.6-b04, mixed mode)

// test of word without agreement
String test = "plusieurs personne sont";

// match the pattern with curly braces
assertTrue("no letters matched", Pattern.compile("plusieurs personne\\b").matcher(test).find());
assertTrue("1 letters matched", Pattern.compile("plusieurs personn\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("2 letters matched", Pattern.compile("plusieurs person\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("3 letters matched", Pattern.compile("plusieurs perso\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("4 letters matched", Pattern.compile("plusieurs pers\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("5 letters matched", Pattern.compile("plusieurs per\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("6 letters matched", Pattern.compile("plusieurs pe\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("7 letters matched", Pattern.compile("plusieurs p\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("8 letters matched", Pattern.compile("plusieurs \\p{Alpha}{1,100}\\b").matcher(test).find());

// match the negative pattern (without s or x) with curly braces
assertTrue("no letters matched, negative", Pattern.compile("plusieurs (?!personne[sx])\\w+").matcher(test).find());
assertTrue("1 letters matched, negative", Pattern.compile("plusieurs (?!personn\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("2 letters matched, negative", Pattern.compile("plusieurs (?!person\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("3 letters matched, negative", Pattern.compile("plusieurs (?!perso\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("4 letters matched, negative", Pattern.compile("plusieurs (?!pers\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("5 letters matched, negative", Pattern.compile("plusieurs (?!per\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
// the assertion below fails (is false) for reasons unknown
assertTrue("6 letters matched, negative", Pattern.compile("plusieurs (?!pe\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("7 letters matched, negative", Pattern.compile("plusieurs (?!p\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("8 letters matched, negative", Pattern.compile("plusieurs (?!\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());

Answer 1

让我们看看前瞻是如何匹配的：

pe           literal, matches "pe"
r            matches \p{Alpha}{1,100}
s            matches [sx]

因此负向前瞻不匹配（你的字符串的尾部， "onne sont" ，这里无关紧要）。

如果您的想法是下一个单词不应以s或x结尾，则在[sx]之后放置\\\\b可能会有所帮助。 始终要记住，负面前瞻不会对失败感到遗憾 ，并且它不会回溯以便找到如何使你的正则表达式不匹配 。

UPD：让我们仔细观察案例5，将其与案例6进行比较。这里我们使用假设匹配（对于前瞻内部的表达式），因此我们必须考虑几种可能（几乎）发生的变体。

per          literal, would match "per" -- it's always so
             -- let's try to imagine how the rest could match:
sonn         would match \p{Alpha}{1,100}
e            wouldn't match [sx], FAIL
             -- or maybe
s            would match \p{Alpha}{1,100}
o            wouldn't match [sx], FAIL
             -- or maybe yet
so           would match \p{Alpha}{1,100}
n            wouldn't match [sx], FAIL.

我们还会有一个有趣的冒险，如果第二个字是“personali 小号通货膨胀”。

UPD2：评论中的讨论促使我在这里添加一个概括：

正则表达式很有吸引力，因为它们具有人类思维的重要特征： 确认偏差 。 当我们编写正则表达式时，我们希望它们匹配; 即使我们的工作是防止无效输入，我们也会在大多数时候考虑有效输入。 正则表达式匹配器通常共享此属性：它想匹配并且讨厌失败。 这就是为什么像\\p{Alpha}{1,100}这样的子表达式并不意味着“在尝试匹配其余输入之前，吃掉最长的Alpha可用块”。 它粗略地意味着“考虑长度在[1,100]内的每一个可能的Alpha块，找到一种方法让整个表达式匹配”。

这就是为什么使用正则表达式时，很容易忽略复杂表达式的误报 ：错误接受的无效输入。 这个问题没有出现，当我们使用负向前瞻时它变得更加明显 ：

在负面预测中，regexp matcher 想要匹配内部表达式（使外部表达式失败）。 人类程序员仍然希望匹配外部表达; 正如我们在我们的例子中看到的，这个因素确实会影响我们对内在表达的推理。 我们认为它不应该如此难以匹配 （例如，它应该以愚蠢的方式处理子表达式，立即吃掉最长的输入）。 匹配器通常起作用，但我们对理想行为的想法现在与其算法不同步。 内在表达的误报（很难注意到）会成为外部表达的错误否定（我们注意到并且讨厌）。