regex - 非贪婪字符串正则表达式匹配

我很确定我在这里遗漏了一些明显的东西，但是我不能使R使用非贪婪的正则表达式:

> library(stringr)
> str_match('xxx aaaab yyy', "a.*?b")
     [,1]
[1,] "aaaab"

基本函数的行为方式相同:

> regexpr('a.*?b', 'xxx aaaab yyy')
[1] 5
attr(,"match.length")
[1] 5
attr(,"useBytes")
[1] TRUE

我希望根据http://stat.ethz.ch/R-manual/R-devel/library/base/html/regex.html中的“贪婪”注释，匹配项只是ab:



有人可以解释一下这是怎么回事吗？

更新。 疯狂的是，在其他一些情况下，非贪婪模式的行为符合预期:

> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*>')
     [,1]
[1,] "<a href=\"abc\">link</a> yyy <h1>Header</h1>"
> str_match('xxx <a href="abc">link</a> yyy <h1>Header</h1>', '<a.*?>')
     [,1]
[1,] "<a href=\"abc\">"

最佳答案

难以理解的概念，所以我会尽力而为...如果有些困惑，可以随时进行编辑和更好地解释。

从左到右搜索与您的模式匹配的表达式。是的，以下所有字符串aaaab，aaab，aab和ab与您的模式匹配，但是aaaab是最左侧开始的字符串，它是返回的字符串。

因此，在这里，您的非贪婪模式不是很有用。当出现非贪婪模式时，也许其他示例可以帮助您更好地理解:

str_match('xxx aaaab yyy', "a.*?y")
#      [,1]
# [1,] "aaaab y"

在这里，所有字符串aaaab y，aaaab yy和aaaab yyy都匹配该模式并在同一位置开始，但是由于非贪婪模式而返回了第一个字符串。

那么，您如何才能捕获到最后的ab？用这个:

str_match('xxx aaaab yyy', ".*(a.*b)")
#      [,1]        [,2]
# [1,] "xxx aaaab" "ab"

它是如何工作的？通过在前面添加贪婪模式.*，您现在可以强制该过程将最后一个可能的a放入捕获的组中。