awk中多字符分隔符的非贪婪正则表达式匹配

Question

考虑字符串“AB 1 BA 2 AB 3 BA”。如何以非贪婪的方式（在awk中）匹配“AB”和”BA“之间的内容？

我尝试了以下方法:

awk '
BEGIN {
    str="AB 1 BA 2 AB 3 BA"
    regex="AB([^B][^A]|B[^A]|[^B]A)*BA"
    if (match(str,regex))
        print substr(str,RSTART,RLENGTH)
}'

没有输出。我相信不匹配的原因是“AB”和“BA”之间的字符数为奇数。如果我用“AB 11 BA 22 AB 33 BA”替换 str，正则表达式似乎可以工作。

Answer 1

对于一般表达式，我将它用作非贪婪匹配:

function smatch(s, r) {
    if (match(s, r)) {
        m = RSTART
        do {
            n = RLENGTH
        } while (match(substr(s, m, n - 1), r))
        RSTART = m
        RLENGTH = n
        return RSTART
    } else return 0
}

< code>smatch的行为类似于< code>match，返回:

正则表达式 R 出现的位置在 S 中出现的位置，如果没有出现正则表达式 R 的位置为 0。变量 RSTART 和 RLENGTH 设置为匹配字符串的位置和长度。

Answer 2

另一个答案并没有真正回答：如何不贪婪地匹配？看起来它不能在（G）AWK中完成。手册是这样说的：

awk（和 POSIX）正则表达式始终匹配可以匹配的最左边、最长的输入字符序列。

https://www.gnu.org/software/gawk/manual/gawk.html#Leftmost-最长的

整本手册没有包含“贪婪”或“懒惰”这两个词。它提到了扩展正则表达式，但对于贪婪匹配，你需要与Perl兼容的正则表达式。所以。。。不，做不到。

Answer 3

合并两个否定的字符类，并从第二个交替中删除[^A]：

regex = "AB([^AB]|B|[^B]A)*BA"

不过，此正则表达式在字符串 ABABA 上失败 - 不确定这是否是一个问题。

解释:

AB       # Match AB
(        # Group 1 (could also be non-capturing)
 [^AB]   # Match any character except A or B
|        # or
 B       # Match B
|        # or
 [^B]A   # Match any character except B, then A
)*       # Repeat as needed
BA       # Match BA

由于在交替中匹配A的唯一方法是匹配除B之外的字符，因此我们可以安全地使用简单的B作为替代方法之一。