Regex: Alternation in Lookbehind

[tm001]

Hallo,
ich stoße gerade auf folgendes Problem beim Umgang mit regulären Ausdrücken:

In Alternationen, wie "(a|ab|b)" geht die Engine normalerweise so vor, dass der erste matchende Ausdruck zuschlägt und alle anderen nicht mehr betrachtet werden (hier: wenn a matcht, wird ab nicht betrachtet). Das ist auch das Verhalten, was ich haben möchte. Dies scheint in einer Lookbehind-Gruppe anders zu sein. Folgendes Beispiel:

(?<=(Hello World|World))\s\d{4}

Ich suche alle vierstelligen Zahlen, denen entweder "World" oder "Hello World" vorangestellt ist. Welcher Ausdruck nun davor stand, möchte ich durch Abfrage der ersten Gruppe erfragen. In folgendem Text wird jedoch nicht "Hello World", wie ich es erwartet habe, sondern "World" durch die Gruppe gematcht:

Hello World 2000

Offenbar wird also im Lookbehind nicht nach der Reihenfolge vorgegangen, sondern nach der Länge. Ich möchte jedoch nicht den kürzesten möglichen Ausdruck finden, sondern den längsten (deswegen hatte ich die Alternation extra absteigend nach Länge sortiert).

Irgendeine Idee?

PS: Ich verwende Java 6

 

[fjord]

Warum willst du überhaupt ein Lookbehind benutzen?
mach doch einfach:

((?:Hello )?World)\s\d{4}

/edit: "negativ" entfernt.

 

[tm001]

In wirklichkeit ist der ausdruck und die anwendung deutlich komplizierter, ich brauche dafür in jedem fall ein lookbehind (btw. das ist ein positiver lookbehind, nicht negativ).

Ich hab das bsp nur aufs wesentliche reduziert, um die Problemstellung zu verdeutlichen, sonst verwirrt das drumrum viel zu sehr.

 

[Ark]

Ich sehe das auch so wie fjord. Du müsstest uns schon den gesamten Ausdruck zeigen, denke ich.

Ark

 

[fjord]

Du hast natürlich recht mit dem negativ. Weiß nicht woran ich da beim Schreiben gedacht hab. ???:L

An dem Beispiel lässt sich das jetzt schlecht sagen. Soweit ich weiß, darf in einem Lookbehind nur Plaintext mit Alternation drin sein, so dass man da nicht viel machen kann.

 

[tm001]

Was würde denn der komplette Ausdruck hier helfen? Das Problem tritt doch auch bei diesem kleinen Ausdruck auf, oder bei euch nicht?

Sollte das ganze grundsätzlich nicht gehen, müsste ich mir einen anderen Lösungsweg suchen, das wäre dann aber der worst case.

"Soweit ich weiß, darf in einem Lookbehind nur Plaintext mit Alternation drin sein, so dass man da nicht viel machen kann. "

Was meinst du mit Plaintext? Ich hab doch in dem lookbehind nur eine Alternation drin, mehr nicht. Soweit ich weiß, ist die einzige Beschränkung, dass die maximallänge der lookbehind-gruppe bekannt sein muss, es sind also keine "+" oder "*" quantoren erlaubt.

 

[fjord]

Mit Plaintext meine ich genau das was du gemacht hast. Ich wollte damit nur zum Ausdruck bringen, dass man das von dir genannte Problem nicht durch eine regex im Lookbehind versuchen kann zu umgehen.

Der komplette Ausdruck würde vielleicht bringen, dass jemand eine Idee hat wie man auf den Lookbehind verzichten kann, denn ich wüsste nicht, wie man das Problem mit Lookbehind lösen sollte.

 

[tm001]

Siehe folgende Seite:

Regex Tutorial - Lookahead and Lookbehind Zero-Width Assertions

Dort steht bei "Important Notes About Lookbehind":

"Therefore, many regex flavors, including those used by Perl and Python, only allow fixed-length strings. You can use any regex of which the length of the match can be predetermined. This means you can use literal text and character classes. You cannot use repetition or optional items. You can use alternation, but only if all options in the alternation have the same length.

Some regex flavors, like PCRE and Java support the above, plus alternation with strings of different lengths. Each part of the alternation must still have a finite maximum length. This means you can still not use the star or plus, but you can use the question mark and the curly braces with the max parameter specified. These regex flavors recognize the fact that finite repetition can be rewritten as an alternation of strings with different, but fixed lengths."

Grundsätzlich ist also das, was ich versuche, erlaubt. Nur scheint das Matchingverhalten bei Alternationen von Java in Lookbehind-Gruppen nicht dem (auch in Java) üblichen Verhalten bei Alternationen außerhalb von Lookbehind-Gruppen zu entsprechen. Das scheint mir eher ein Bug von Java zu sein.

 

[fjord]

Ich wollte auch überhaupt nicht andeuten, dass das was du machst nicht erlaubt ist, es führt ja nur nicht zum gewünschten Ergebnis.
Das in einem lookbehind lediglich die quantifier nicht erlaubt sind ist mir neu, in meiner Quelle stand es dann wohl etwas ungünstig formuliert, ist aber gut zu wissen.

Ich fürchte aber, dass das was du willst, so nicht möglich ist.

 

[tm001]

die befürchtung habe ich auch, aber ich hätte halt gerne gewissheit...

btw. was erlaubt ist und was nicht, hängt offenbar auch von der engine ab. es gibt welche, die quantifier erlauben, aber java halt nicht.