PHP中的递归正则表达式用法分享

<?php 
$string = "some text (a(b(c)d)e) more text"; 
if(preg_match("/\(([^()]+|(?R))*\)/",$string,$matches)) { 
echo "<pre>"; print_r($matches); echo "</pre>"; 
} 
?> 
 
结果是: 
 代码如下:

Array 
( 
[0] => (a(b(c)d)e) 
[1] => e 
) 
 
可见, 我们所需要的文本, 已经捕获到$matches[0]中了. 

原理 

现在思考原理. 

上面的正则表达式中的关键点是(?R). (?R)的作用就是递归地替换它所在的整条正则表达式. 在每次迭代时, PHP 语法分析器都会将(?R)替换为”\(([^()]+|(?R))*\)“. 
因此, 具体到上述的例子, 其正则表达式等价于: 
 代码如下:

"/\(([^()]+|\(([^()]+|\(([^()]+)*\))*\))*\)/" 
 
但是上面的代码只适合深度为3层的括号. 对于未知深度的括号嵌套, 就只好使用这种正则了: 
 代码如下:

"/\(([^()]+|(?R))*\)/" 
 
它不但能够匹配无限深度, 还简化了正则表达式的语法. 功能强大, 语法简洁. 

现在来细看一下"/\(([^()]+|(?R))*\)/"是怎样匹配"(a(b(c)d)e)"的: 

"(c)"这部分被正则式 "\(([^()]+)*\)" 匹配. 请注意, (c) 其实就相当于整个递归的一个缩影, 麻雀虽小五脏俱全, 因此它用到了整个正则表达式. 
换言之, 下一步中的(c), 可以使用(?R) 来匹配. 

(b(c)d)的匹配过程为: 
"\("匹配"("; 
"[^()]+"匹配"b"; 
(?R)匹配"(c)"; 
"[^()]+"匹配"d"; 
"\)"匹配")". 

根据上面的匹配原理, 不难理解为什么数组的第2个元素$matches[1]与'e'等价. 子串'e'是在最后一次匹配迭代中被捕获. 匹配过程中, 只有最后一次的捕获结果才会保存到数组中. 
关于这个特性, 可以自行尝试一下, 看看使用正则式([a-z]+[0-9]+)+来匹配字串abc123xyz890, 其捕获结果$1是什么. 注意, 其结果与 Left Longest 原理并不冲突. 

如果我们只需要捕获 $matches[0], 可以这样做: 
 代码如下:

<?php 
$string = "some text (a(b(c)d)e) more text"; 
if(preg_match("/((?:[^()]+|(?R))*)/",$string,$matches)) 
{ 
echo "<pre>"; print_r($matches); echo "</pre>"; 
} 
?> 
产生的结果相同: 

Array 
( 
[0] => (a(b(c)d)e) 
) 
 
所做的改动是捕获括号()改为非捕获捕获括号(?:)了. 

还可以进一步完善为: 
 代码如下:

<?php 
$string = "some text (a(b(c)d)e) more text"; 
if(preg_match("/((?>[^()]+|(?R))*)/",$string,$matches)) 
{ 
echo "<pre>"; print_r($matches); echo "</pre>"; 
} 
?> 
 
这里我们用到了所谓的一次性模式(rex注: 余晟先生译的《精通正则表达式v3.0》中, 谓之”固化分组”. 可参考该书.) PHP手册也推荐只要条件允许, 就尽可能使用这种模式, 以便提升正则表达式的速度.