关于lua正则表达式的一些诡异表现和思考

        博主最近在学习 Lua，一边看项目的源码，有时看见一些复杂的正则表达式匹配模式，就想试试匹配出来的效果如何（如果我抱着想当然的心态：它肯定是这样匹配，不用多想了！就不会有这篇文章和这些思考了）。

        开始之前，先介绍一下 Lua 的 string.gsub 函数用法以及正则表达式的一些匹配规则（其中英文版文档来自Lua官方网站 http://www.lua.org/manual/5.1/manual.html  中文文档来自《Openresty最佳实践》一书）：

        英文文档会更全一点，但大意和中文文档是一样的。好了，有个大概认识了（我就不再赘述上面贴出的图片了，假设到这里你们都已阅读过前面的贴图），来看看以下代码的输出（让我觉得很诡异）：

        让我觉得诡异的地方是， .*  匹配 hello123world 这个字符串居然出现了 2 次匹配；%a* 匹配 hello123world 出现 6 次匹配而且一前一后各出现了 2 次（前后各出现一次的话能正常理解）；最最最诡异的还是 .- 匹配，居然在每一个字符之间插入替换字符，而且整个字符串的一前一后还各有一个！

        再来看三组情况：

        1) 

 

        我想，在每个例子下面阐述我的理解会比较清晰，省得自己还有读者又往回看例子。我的理解可能有些牵强，但这是我目前唯一能想到的“合理”解释了，如果有更好的解释，欢迎提出！

对于第一个匹配（第7行） .* 匹配前面任意（按照我老师的说法是“所有”，详见前面贴图英文文档）字符且是 * ，匹配 0 个或多个，贪婪模式匹配（最大匹配），目标字符串是一个空字符串， 因此匹配 0 个（匹配了 0 个字符，符合 ≥0 也算是匹配成功因为是使用 * ，因此用 # 代替，并且 string.gsub 第二个返回值 +1 ），故 string.gsub 返回值为 (#  1)；

对于第二个匹配（第8行） .+ 匹配前面任意字符且是 + ，匹配 1 个或多个，贪婪模式匹配（最大匹配），目标字符串是一个空字符串，因此只匹配了 0 个（匹配了 0 个字符，不符合 ≥ 1，因此不算匹配成功，不会用 # 代替，string.gsub 第二个返回值为 0），故 string.gsub 返回值为 (原字符串即空字符串  0)；

对于第三个匹配（第9行） %a* 匹配前面任意（按照我老师的说法是“所有”，详见前面贴图英文文档）字母且是 * ，匹配 0 个或多个，贪婪模式匹配（最大匹配），目标字符串是一个空字符串， 因此匹配 0 个（匹配了 0 个字母，符合 ≥0 也算是匹配成功因为是使用 * ，因此用 # 代替，并且 string.gsub 第二个返回值 +1 ），故 string.gsub 返回值为 (#  1)；

对于第四个匹配（第10行） %a+ 匹配前面任意字母且是 + ，匹配 1 个或多个，贪婪模式匹配（最大匹配），目标字符串是一个空字符串，因此只匹配了 0 个（匹配了 0 个字母，不符合 ≥ 1，因此不算匹配成功，不会用 # 代替，string.gsub 第二个返回值为 0），故 string.gsub 返回值为 (原字符串即空字符串  0)；

对于第五个匹配（第11行） .- 匹配前面任意字符且是- ，匹配 0 个或多个，非贪婪模式匹配（最小匹配，其实可以理解为都匹配 0 个，经过了大量测试，个人感觉这个 - 是个坑，因为 0 个或多个且非贪婪匹配那就是每次都匹配 0 个呗，当然也有它的用武之地，当指定后缀的时候，详见结论），目标字符串是一个空字符串，因此只匹配了 0 个（匹配了 0 个字符，符合 ≥ 0 也算是匹配成功因为是使用 - ，因此用 # 代替，string.gsub 第二个返回值 +1 ），故 string.gsub 返回值为 (#  1)；

        2)

目标字符串为 "a"

对于第一个匹配（第7行），先是贪婪模式最大匹配任意字符，成功匹配整个字符串 "a"（匹配 1 个字符，算匹配成功，用 # 代替被匹配的内容 "a"，string.gsub 第二个返回值 + 1），接着是重点了，我老师说（我个人也是这么认为吧）字符串的结尾（不知道lua是以什么标记字符串结尾的，是不是也像 C/C++ 那样使用 '\0'）还会再匹配一次，这可能跟 string.gsub 实现有关，但我没看过 string.gsub 源码，也可能是 lua 正则表达式的一个坑（我老师认为 lua 正则表达式不同于 Perl 正则表达式且特别恶心）。那么当再次匹配字符串结尾的时候，匹配 0 个（匹配了 0 个字符，符合 ≥ 0 也算是匹配成功因为是使用 *，因此又放一个 # 代替，string.gsub 第二个返回值又 + 1），故 string.gsub 返回值为 (##  2)

对于第二个匹配（第8行），先是贪婪模式最大匹配任意字符，成功匹配整个字符串 "a"（匹配 1 个字符，符合 ≥ 1，匹配成功，用 # 代替被匹配的内容 "a"，string.gsub 第二个返回值 + 1），当再次匹配字符串结尾的时候，匹配 0 个（匹配了 0 个字符，不符合 ≥ 1 因此匹配不成功因为是使用 + ），故 string.gsub 返回值为 (#  1)

对于第三个匹配（第9行），情况同第一个匹配（第7行），只是字符和字母的区别

对于第四个匹配（第10行），先是贪婪模式最大匹配任意字母，成功匹配整个字符串 "a"（匹配 1 个字母，符合 ≥ 1，匹配成功，用 # 代替被匹配的内容 "a"，string.gsub 第二个返回值 + 1），当再次匹配字符串结尾的时候，匹配 0 个（匹配了 0 个字母，不符合 ≥ 1 因此匹配不成功因为是使用 + ），故 string.gsub 返回值为 (#  1)

对于第五个匹配（第11行），先是非贪婪最小匹配任意字符，成功匹配 0 个（匹配 0 个字符，符合 ≥ 0，匹配成功，用 # 代替被匹配的内容——空字符串因为匹配 0 个字符并没有匹配中 a，因此 a 没被匹配还得往返回的字符串里写，现在返回字符串是 "#a"，string.gsub 第二个返回值 + 1），当再次匹配字符串结尾的时候，匹配 0 个（匹配 0 个字符，符合 ≥ 0，匹配成功因为是用 - 匹配的，用 # 代替，string.gsub 第二个返回值 + 1），故 string.gsub 返回值为 (#a#  2)

        3)

打字累啊，这个例子留待读者分析验证，按照上述的思路和理解是能说得通的。注意匹配是按照原字符串一位一位进行，匹配成功的采取替换（或者其他操作），不成功的往返回字符串里写（这是博主的假设）。

        博主用 Lua 的 string.gmatch 函数（不清楚的可以百度一下）做了同样的实验，也是得到以上“诡异”的结果。

        以上分析建立在两个假设的基础上：1. 对字符串结尾还做一次检查；2. 匹配是按照原字符串一位一位进行，匹配成功的采取替换（或者其他操作），不成功的往返回字符串里写。我让别人用 Python 做了同样的实验，结果是正常的能理解的（如利用正则表达式匹配模式 " .* " 匹配字符串 "hello123world"，利用 # 代替被匹配内容，得到的结果是  (#  1) —— 匹配 1 次）。这有可能是 Lua 的 string 库函数实现的问题，也可能是 Lua 的正则表达式有异于别的，这个待有机会看到 Lua 的 string 库函数实现才能说个明白了。

        另外得出两个结论：

        1. - 很懒，能匹配 0 个它肯定匹配 0 个，当然在正则表达式匹配模式中指定后缀时能派上用场，举个例子：需要匹配 "2017/08/14/date/0000/date" 中的日期，可以像如下那样写：

        2. 在 Lua 中直接像上述几个例子那样使用正则表达式（尤其是 * 匹配）很危险，结果可能超出预期，就算部分测试用例能通过，未来也可能给你带来意想不到的坑，应该就实际情况适当加上前缀后缀用以限制，尽可能规避未知风险。

  

        写这篇文章主要是给遇到同样问题的朋友一个参考，同时警醒自己。以上分析仅是本人愚见，暂时也得不到权威的证实。如果读者有更好、更正确的理解和分析，欢迎提出指正，以供共同学习共同进步。如果有人找到 Lua string 库函数源码，也欢迎分享。