regex - 具有多字符 unicode 符号的正则表达式匹配行为

Question

我无法理解使用多字符 unicode 符号观察到的一些行为。

以 string和 regex为例，(|)(?![])我得到三个匹配项：两个标志和最后一手。预期： 5 次匹配，每个符号一次。

由于 和 都是 2 个字符符号，因此我尝试编写一个非 unicode 示例。使用 stringabcdabcdab和 regex (ab|cd)(?![b])，我得到了预期的 5 个匹配项，每对ab和cd一次。

考虑到and之间可能存在一些交互，我使用了不同的 unicode 字符，给了我 regex (|)(?![])。在这里，我得到了与第一个示例中相同的结果。

由于两者和通常不单独使用，我尝试使用“普通” unicode 或 ASCII 字符而不是. 在我的示例中，我使用了and a，这给了我 5 次匹配的预期结果，每个符号一次。

有人能够解释这种行为，还是这是一个错误？

此行为仅发生在 PCRE 和 JavaScript 正则表达式引擎中，我使用此站点对其进行了测试。https://regex101.com/

标签： regexunicodepcre

Answer 1

您不应该将多字节字符放在像 in 这样的字符类中(?![])。在字符类中，它被“分解”为两个字节的序列， \uD83C并且\uDFFE 匹配其中任何一个，而不是作为序列。由于手形表情符号是一系列\uD83E\uDD1A\uD83C\uDFFE（以这两个字节结尾），因此触发了前瞻并影响了匹配。

要解决此问题，您只需删除括号并使用(|)(?!)，以便将char 视为字节序列，而不是一个或另一个 char。