Предположим, шаблон содержит максимальный квантификатор. При поиске подстроки, которая может встречаться переменное число раз (например, О и более раз для * или 1 и более раз для +), механизм поиска всегда предпочитает «и более». Следовательно, шаблон /foo *Ьаг/ совпадает от первого "foo" до последнего "bar", а не до следующего bar", как можно ожидать. Чтобы при поиске предпочтение отдавалось минимальным, а не максимальным совпадениям, поставьте после квантификатора вопросительный знак. Таким образом, как и *, соответствует О и более повторений, но при этом выбирается совпадение минимальной, а не максимальной длины.

# Максимальный поиск •*

s/< *> gs, # Неудачная попытка удаления тегов

# Минимальный поиск

s/< *> gs, # Неудачная попытка удаления тегов

Показанное решение не обеспечивает правильного удаления тегов из HTML-документа, поскольку отдельное регулярное выражение не заменит полноценного анализатора. Правильное решение этой проблемы продемонстрировано в рецепте 20.6.

Впрочем, с минимальными совпадениями дело обстоит не так просто. Не стоит ошибочно полагать, что BEGIN •END в шаблоне всегда соответствует самому короткому текстовому фрагменту между соседними экземплярами BEGIN и END. Возьмем шаблон /BEGIN(. .?)END/. После поиска в строке "BEGIN and BEGIN and END" переменная $1 будет содержать "and BEGIN and". Вероятно, вы рассчитывали на другой результат.

Представьте, что мы хотим извлечь из HTML-документа весь текст, оформленный полужирным и курсивным шрифтом одновременно:

<b><i>this</i> and <i>that</i> are important</b> Oh, <b><i>me tooi</i></b>

Может показаться, что шаблон для поиска текста, находящегося между парами тегов HTML (то есть не включающий теги), должен выглядеть так:

т{ <Ь><1>( .?)</1></Ь> }sx,

Как ни странно, шаблон этого не делает. Многие ошибочно полагают, что он сначала находит последовательность <b><i>, затем нечто отличное от "<Ь><1>, а затем - </i></b> оставляя промежуточный текст в $1. Хотя по отношению к входным данным он часто работает именно так, в действительности делается совершенно иное. Шаблон просто находит левую строку минимальной длины, которая соответствует всему шаблону. В данном примере это вся строка. Если вы хотели ограничиться текстом между "<Ь><1> и </i></b> не включающим другие теги полужирного или курсивного начертания, результат окажется неверным.

Если искомая строка состоит всего из одного символа, инвертированный класс (например, /Х["Х].)Х/) заметно превосходит минимальный поиск по эффективности. Однако обобщенный шаблон, который находит «сначала BEGIN, затем ne-BEGIN, затем END» для произвольных BEGIN и END и сохраняет промежуточный текст в $1, выглядит следующим образом:

/BEGIN(( СBEGIN) ).)END/

Наш пример с тегами HTML выглядит примерно так:

т{ <Ь><1>( С (!</Ь></1>) ). ) </1></Ь> )sx, или так:

т{ <Ь><1>( С (i</[ib]>) ). ) </1></Ь> }sx,

Как замечает Джеффри Фридл, это скороспелое решение не очень эффективно. В ситуациях, где скорость действительно важна, он предлагает воспользоваться более сложным шаблоном: .»

<Ь><1>

["<]• # Заведомо допустимо С

tt Символ < возможен, если он не входит в недопустимую конструкцию (I </[ib]> ) # Недопустимо < № Все нормально, найти <

["<]• # и продолжить

</1></Ь>

> Смотри также-

Описание минимальных квантификаторов в разделе «Regular Expressions* perlre(\).

6.16. Поиск повторяющихся слов

Проблема

Требуется найти в документе повторяющиеся слова.

Решение

Воспользуйтесь обратными ссылками в регулярных выражениях.

Комментарий

Механизм поиска запоминает часть строки, которая совпала с частью шаблона, заключенной в круглые скобки. Позднее в шаблоне обозначение \1 ссылается на первый совпавший фрагмент, \2 - на второй и т. д. Не используйте обозначение $1 - оно интерпретируется как переменная и интерполируется до начала поиска. Шаблон /([A-Z])\1/ совпадает с символом верхнего регистра, за которым следует не просто другой символ верхнего регистра, а именно тот, что был сохранен в первой паре скобок.

Следующий фрагмент читает входной файл по абзацам. При этом используется принятое в Perl определение абзаца как фрагмента, заканчивающегося двумя и более смежными переводами строк. Внутри каждого абзаца находятся все по-

вторяющиеся слова. Программа не учитывает регистр и допускает межстрочные совпадения.

Модификатор /х разрешает внутренние пропуски и комментарии, упрощающие чтение регулярные выражений. Модификатор /i позволяет найти оба экземпляра "is" в предложении "Is is this ok". Модификатор /g в цикле while продолжает поиск повторяющихся слов до конца текста. Внутри шаблона метасимволы \Ь (граница слова) и \s (пропуск) обеспечивают выборку целых слов.

$/ = , while (О) { while ( m{

(\S+)

\1 \b

) + )xig

print "dup word $1 at paragraph $.\n";

Приведенный фрагмент найдет удвоенное test в следующем примере: This IS а test

test of the duplicate word funder.

Проверка \S+ между двумя границами слов обычно нежелательна, поскольку граница слова определяется как переход между \w (алфавитно-цифровым символом или подчеркиванием) и либо концом строки, либо He-\w. Между двумя \Ь обычный смысл \S+ (один и более символов, не являющихся пропусками) распространяется до последовательности символов, не являющихся пропусками, первый и последний символ которой должны быть алфавитно-цифровыми символами или подчеркиваниями.

Рассмотрим другой интересный пример использования обратных ссылок. Представьте себе два слова, причем конец первого совпадает с началом второго - например, "nobody" и "bodysnatcher. Требуется найти подобные «перекрытия» и сформировать строку вида "nobodysnatcher". Это вариация на тему нашей основной проблемы - повторяющихся слов.

Чтобы решить эту задачу, программисту на С, привыкшему к традиционной последовательной обработке байтов, придется написать длинную и запутанную программу. Но благодаря обратным ссылкам задача сводится к одному простому поиску:

$а = nobody;

$b = bodysnatcher;

If ("$a $b =- /-(\w+)(\w+) \2(\w+)$/) (