我想使用正则表达式来验证用户输入。我想允许字母、数字、空格、逗号、撇号、句号、感叹号和问号的任意组合，但我还想将输入限制为 4000 个字符。我想出了以下正则表达式来实现这一点: /^([a-z]|[0-9]| |,|'|\.|!|\?){1,4000}$/i 。

但是，当我尝试使用此正则表达式在 PHP 中使用 preg_match() 测试主题时，我收到警告:PHP Warning: preg_match(): Compilation failed: regular expression is too large at offset 37 并且主题未通过测试。

我觉得这很奇怪，因为如果我使用无限量词，测试就会顺利通过(我在下面演示了这种情况)。

为什么将重复次数限制为 4000 次是个问题，但无限次重复却不是？

regex-test.php:

<?php

$infinite = "/^([a-z]|[0-9]| |,|'|\.|!|\?)*$/i";        // Allows infinite repetition
$fourk    = "/^([a-z]|[0-9]| |,|'|\.|!|\?){1,4000}$/i"; // Limits repetition to 4000

$string   = "I like apples.";

if ( preg_match($infinite, $string) ){

    echo "Passed infinite repetition. \n";
}

if ( preg_match($fourk, $string) ){

    echo "Passed maximum repetition of 4000. \n";
}

?>

echo :

Passed infinite repetition 
PHP Warning:  preg_match(): Compilation failed: regular expression is too large at offset 37 in regex-test.php on line 16

最佳答案

错误是由于其 LINK_SIZE，偏移值将编译后的模式大小限制为 64K。这是预期的行为，如下所述，这不是因为重复限制，也不是因为编译时模式的解释方式。

在这种情况下

正如 Alan Moore 在 his answer 中指出的那样, 所有字符都应该在相同的 character class 中.我比较激进，所以请允许我说这种模式如此是错误的，这让我感到畏缩。
^{-无意冒犯，我们大多数人也尝试过一次。这只是试图强调绝不应使用此类结构。}

(x|y|z){1,4000} 中有 3 个常见的陷阱:

1. Capturing subpatterns只应在需要时使用(存储匹配文本的特定部分，以便提取该值或在 backreference 中使用它)。对于所有其他用例，坚持 non-capturing groups或 atomic groups .他们表现更好并节省内存。
2. 捕获子模式 should not be repeated因为最后一次重复会覆盖捕获的文本。
   -好的，它可以仅在非常的特殊情况下使用。
3. Alternation (使用 |_s)添加回溯状态。尽量减少它们是一个很好的做法。在这种情况下，正则表达式 ^[ !',.0-9?A-Z]{1,4000}$/i 将完全匹配，不仅避免了错误，而且证明效果更好表现。

LINK_SIZE

From "Handling Very Large Patterns" in pcrebuild man page:

Within a compiled pattern, offset values are used to point from one part to another (for example, from an opening parenthesis to an alternation metacharacter). By default, in the 8-bit and 16-bit libraries, two-byte values are used for these offsets, leading to a maximum size for a compiled pattern of around 64K.

这意味着编译模式为交替中的每个子模式、组的每次重复存储一个偏移值。在这种情况下，偏移量不会为编译模式的其余部分留下任何内存。

This is more clearly expressed in a comment in pcre_internal.h from the PHP dist:

PCRE keeps offsets in its compiled code as 2-byte quantities (always stored in big-endian order) by default. These are used, for example, to link from the start of a subpattern to its alternatives and its end. The use of 2 bytes per offset limits the size of the compiled regex to around 64K, which is big enough for almost everybody.

使用 pcretest ，我得到以下信息:

PCRE version 8.37 2015-04-28

/^([a-z]|[0-9]| |,|'|\.|!|\?){1,575}$/i
Failed: regular expression is too large at offset 36

/^([a-z]|[0-9]| |,|'|\.|!|\?){1,574}$/i
Memory allocation (code space): 65432

• 您可以从RexEgg.com 下载Windows 版本。 .

关于PCRE中的其他大小限制，可以查看this post of mine .

在 PHP 中覆盖默认的 LINK_SIZE

如果我们有真正的理由使用一个巨大的模式，并且这个模式无论如何都不能进一步简化，那么链接的大小就可以增加。但是，您只能通过自己重新编译 PHP 来实现此目的(因此，您的代码从现在起将无法移植)。如果别无选择，这应该是最后的手段。

Also commented in pcre_internal.h:

The macros are controlled by the value of LINK_SIZE. This defaults to 2 in the config.h file, but can be overridden by using -D on the command line. This is automated on Unix systems via the "configure" command.

PCRE 链接大小可以配置为 3 或 4:

./configure -DLINK_SIZE=4

但请记住，较长的偏移量需要额外的数据，并且它会减慢对 preg_* functions 的所有调用.

如果您自己编译 PHP，请参阅 Installation on Unix systems或 Build your own PHP on Windows .

关于PHP - 为什么我被警告我的正则表达式太大？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/33976303/