Java 正则表达式中否定先行断言的奇怪之处

我正在努力理解 Java 中正则表达式的行为，并且遇到了一些看起来很奇怪的事情。在下面的代码中，由于我在测试时不明白的原因，测试突然失败，消息标签为“6 个字母匹配，否定”（随后的两个测试也失败）。是我盯着这个看得太久了，还是确实发生了一些奇怪的事情？我不认为这与可变长度负前瞻断言（？！X）有关，但我很高兴听到任何理论，甚至确认其他人正在经历同样的问题，并且它并不特定于我的 JVM。抱歉，正则表达式太做作了，但你不想看到真实的东西:)

// $ java -version
// java version "1.7.0_10"
// Java(TM) SE Runtime Environment (build 1.7.0_10-b18)
// Java HotSpot(TM) 64-Bit Server VM (build 23.6-b04, mixed mode)

// test of word without agreement
String test = "plusieurs personne sont";

// match the pattern with curly braces
assertTrue("no letters matched", Pattern.compile("plusieurs personne\\b").matcher(test).find());
assertTrue("1 letters matched", Pattern.compile("plusieurs personn\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("2 letters matched", Pattern.compile("plusieurs person\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("3 letters matched", Pattern.compile("plusieurs perso\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("4 letters matched", Pattern.compile("plusieurs pers\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("5 letters matched", Pattern.compile("plusieurs per\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("6 letters matched", Pattern.compile("plusieurs pe\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("7 letters matched", Pattern.compile("plusieurs p\\p{Alpha}{1,100}\\b").matcher(test).find());
assertTrue("8 letters matched", Pattern.compile("plusieurs \\p{Alpha}{1,100}\\b").matcher(test).find());

// match the negative pattern (without s or x) with curly braces
assertTrue("no letters matched, negative", Pattern.compile("plusieurs (?!personne[sx])\\w+").matcher(test).find());
assertTrue("1 letters matched, negative", Pattern.compile("plusieurs (?!personn\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("2 letters matched, negative", Pattern.compile("plusieurs (?!person\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("3 letters matched, negative", Pattern.compile("plusieurs (?!perso\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("4 letters matched, negative", Pattern.compile("plusieurs (?!pers\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("5 letters matched, negative", Pattern.compile("plusieurs (?!per\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
// the assertion below fails (is false) for reasons unknown
assertTrue("6 letters matched, negative", Pattern.compile("plusieurs (?!pe\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("7 letters matched, negative", Pattern.compile("plusieurs (?!p\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());
assertTrue("8 letters matched, negative", Pattern.compile("plusieurs (?!\\p{Alpha}{1,100}[sx])\\w+").matcher(test).find());

让我们看看前瞻是如何匹配的：

pe           literal, matches "pe"
r            matches \p{Alpha}{1,100}
s            matches [sx]

所以负向前瞻不匹配（字符串的尾部，"onne sont"，与这里无关）。

Placing \\b after [sx]如果您的想法是下一个单词不应以 s 或 x 结尾，可能会有所帮助。永远记住，消极的前瞻不会sorry关于失败，它不会回溯以寻找如何可能的方法使你的正则表达式不匹配.

UPD：让我们仔细看看案例 5，将其与案例 6 进行比较。在这里，我们使用假想匹配（对于前瞻内的表达式），因此我们必须考虑它（几乎）如何发生的几种变体。

per          literal, would match "per" -- it's always so
             -- let's try to imagine how the rest could match:
sonn         would match \p{Alpha}{1,100}
e            wouldn't match [sx], FAIL
             -- or maybe
s            would match \p{Alpha}{1,100}
o            wouldn't match [sx], FAIL
             -- or maybe yet
so           would match \p{Alpha}{1,100}
n            wouldn't match [sx], FAIL.

如果第二个词是“personali”，我们将会有另一个有趣的冒险sation".

UPD2：评论中的讨论促使我在这里添加一个概括：

正则表达式很有吸引力，因为它们具有人类思维的一个重要特征：确认偏差 http://en.wikipedia.org/wiki/Confirmation_bias。当我们编写正则表达式时，我们want他们要匹配；即使我们的工作是防止无效输入，我们也会考虑valid大部分时间都在输入。正则表达式匹配器通常共享此属性：itwants匹配和hates失败。这就是为什么像这样的子表达式\p{Alpha}{1,100}并不意味着“在尝试匹配其余输入之前吃掉最长的可用 Alpha 块”。粗略地说，它的意思是“考虑每一个possible长度在 [1,100] 以内的 Alpha 块，找到整个表达式匹配的方法”。

这就是为什么使用正则表达式很容易被忽视误报复杂表达式：错误接受的无效输入。这个问题不会出现，只会变成更明显当我们使用负向前瞻时：

在负向前瞻中，正则表达式匹配器wants匹配内部表达式（使外部表达式失败）。人类程序员仍然wants匹配外部表达式；正如我们在示例中看到的，这个因素确实会影响我们对内部表达的推理。我们认为它不应该那么努力去匹配（例如，它应该以一种愚蠢的方式处理子表达式，立即吃掉尽可能长的输入）。匹配器照常工作，但是our关于理想行为的想法现在与its算法。内部表达的误报（很难注意到），会成为外部表达的误报（我们注意到并讨厌）。