Разбор сбалансированных вложенных шаблонов вики и извлечение содержимого параметра одной строки с помощью регулярного выражения

Question

Я знаю, что анализ вложенных строк или HTML лучше выполнять с помощью реального синтаксического анализатора, но в моем случае у меня были простые шаблоны, и я хотел извлечь содержимое заголовка параметра Wiki "title" из шаблона. Мне потребовалось некоторое время, чтобы достичь этого, но благодаря инструменту регулярных выражений Ларса Олава Торвика ( http://regex.larsolavtorvik.com/) и этому форуму пользователей, здесь я дошел до этого. Может быть, кто-то найдет это полезным. (Мы все хотим внести свой вклад, он, не так ли?;-) Следующий код с комментариями делает свое дело. Я должен был сделать это с осмотром утверждений, чтобы смешать не два шаблона, если в одном из них нет заголовка.

Я еще не уверен в двух вопросах в комментариях к регулярным выражениям - см. (?# Questions: …)- если я понял рекурсивную часть в (?R), Является ли это, что он получает свой контент для проверки с самого внешнего определенного уровня, то есть второй строки регулярного выражения \{\{ и последняя строка регулярного выражения \}\}? Это было бы правильно? И в чем разница между ++ а также + перед альтернативой (?R) Бут работает одинаково, так кажется при тестировании.

1. Оригинальные вики-шаблоны на странице (самые простые):

   $wikiTemplate = "
   {{Templ1
   | title = (1. template) title
   }}
   
   {{Templ2
   | any parameter = something {{template}}
   }}
   
   {{Templ1
   | title = (3. template) title
   }}
   ";
   

2. Замена:

   $wikiTemplate = preg_replace(
     array(
     // tag all templates with START … END and add a TITLE-placeholder before
     // and take care of balanced {{ …  }} recursiveness 
       "@(?s)   (?# switch to dotall match, i.e. also linebreaks )
         \{\{ (?# find two {{ )
         (?: (?# group 1 as a non-backreferenced match  )
           (?:  (?# group 2 as a non-backreferenced match  )
             (?! (?# in group 1 anything but not {{ or }} )
               \{\{ 
               |   (?# or )
               \}\}
             )
             .
           )++  (?# Question: what is the differenc between ++ and + here? )
           |    (?# or )
           (?R) (?# is it recursive of what is defined in the outermost,
                 i.e. 2nd regexp line with \{\{ and last line with \}\}
                 Question: is that here understood correctly? ) 
         )
         * (?# zero or many times of the inner regexp defintions )
         \}\} (?# find two }} )
       @x",// x-extended → ignore white space in the pattern
     // replace TITLE by single line content of title parameter 
       "@
         (?<=TITLE) (?# TITLE must preceed the following linebreak but is not
                     backreferenced within \\0, i.e. the whole returned match)
         ([\n\r]+)  (?#linebr in 1 may also described as . because of
                     s-modifier dotall)
         (?:        (?# start non-backreferenced match )
           .        (?# any character but not followed by START)
           (?!START)
         )+      (?# multiple times)
         (?:     (?# start non-backreferenced match )
           \|\s*title\s*=\s* (?#find the parameter '| title = ')
         )
         ([^\r\n]+)  (?#get title now to \\2 but exclude the line break. 
                      Note it is buggy when there is no line break )
         (?:     (?# start non-backreferenced match )
           .     (?# any character but not followed by END)
           (?!END)
         )
         +       (?# multiple times)
         .       (?# any single character, e.g. the last  because as all
                  stuff before captures anything not followed by END)
         (?:END) (?#a not backreferenced END)
       @msx", // m-multiline, s-dotall match also linebreaks,
              // x-extended → ignore white space in the pattern
     ), 
     array(
       "TITLE\nSTART\\0END", // \0 is the whole returned match, i.e. the template
     # replace the TITLE to  TITLEtitle contentTITLE…
       "\\2TITLE\\0",
     ),
     $wikiTemplate
   );
   print_r($wikiTemplate);
   

3. В результате получается заголовок, помеченный TITLE над каждым шаблоном, но только если заголовок был:

   TITLE(1. template) titleTITLE
   START{{Templ1
    | title = (1. template) title
   }}END
   
   TITLE
   START{{Templ2
    | any parameter = something {{template}}
   }}END
   
   TITLE(3. template) titleTITLE
   START{{Templ1
    | title = (3. template) title
   }}END
   

Есть ли у меня вопросы относительно понимания регулярных выражений или некоторых улучшений? Спасибо, Андреас.

Answer 1

++ является собственническим квантификатором. Если вы добавите квантификатор повторения (+, *, {...}) с + это становится притяжательным. Это означает, что механизм регулярных выражений не будет возвращаться назад и пробовать меньше повторений, как только он покинет повторение в первый раз. Таким образом, они в основном делают повторение атомной группой. Иногда это оптимизация, а иногда это действительно имеет значение. Вы можете сделать очень хорошее чтение здесь.

А про твой второй вопрос да (?R) просто попытаюсь снова соответствовать полному шаблону. Для этого есть хорошая статья в документации PHP PCRE.

Если у вас есть другие вопросы, лучше задать их на Code Review.