REGEX (PCRE) correspondant seulement si zéro ou une fois

Question

J'ai le problème suivant.

Prenons l'entrée (wikitext)

======hello((my first program)) world====== 

Je veux correspondre « bonjour », « mon premier programme » et « monde » (notez l'espace).

Mais pour l'entrée.

======hello(my first program)) world====== 

Je veux correspondre « bonjour (mon premier programme » et « monde »

En d'autres termes, je veux correspondre des lettres, des espaces et de plus tous les symboles simples (pas de double ou plus).

Cela devrait être fait avec les propriétés de caractères unicode comme \ p {L}, \ p {S} ou \ p {Z}, tel que documenté here.

Des idées?

Addendum 1

Le regex vient d'arrêter avant tout symbole double ou de ponctuation en termes unicode, qui est, avant tout \ p {S} {2,} ou \ p {P} {2 ,}. Je n'essaie pas d'analyser tout le wikitext avec ceci, lisez attentivement ma question. La regex que je cherche EST pour la lexer sur laquelle je travaille, et la faire correspondre à de telles entrées simplifiera énormément mon analyseur.

Addendum 2

Le modèle doit travailler avec preg_match(). Je peux imaginer comment je devrais le diviser d'abord. Peut-être utiliserait-il un peu de lookahead, je ne sais pas, j'ai essayé tout ce que je pouvais imaginer.

En utilisant seulement preg_match() est une exigence dans la pierre par la mise en œuvre actuelle du lexer. Il doit en être ainsi, car c'est la manière naturelle de fonctionner des lexers: ils correspondent aux séquences du flux d'entrée.

Answer 1

return preg_split('/([\pS\pP])\\1+/', $theString); 

Résultat: http://www.ideone.com/YcbIf

(Vous devez vous débarrasser des chaînes vides manuellement.)

---

Edit: comme preg_match regex:

'/(?:^|([\pS\pP])\\1+)((?:[^\pS\pP]|([\pS\pP])(?!\\3))*)/' 

prendre la 2ème groupe de capture quand il est apparié.Exemple: http://www.ideone.com/ErTVA

Mais vous pouvez simplement consommer ([\pS\pP])\\1+ et jeter, ou si ne correspond pas, consommer (?:[^\pS\pP]|([\pS\pP])(?!\\3))* et enregistrer, depuis votre lexer va utiliser plus de 1 regex de toute façon?

Answer 2

Les expressions régulières sont notoirement surutilisées et mal adaptées pour l'analyse de langages comme celui-ci. Vous pouvez vous en sortir pendant un petit moment, mais vous finirez par trouver quelque chose qui casse votre parser, nécessitant un tweak après tweak et une énorme bibliothèque de tests unitaires pour assurer la conformité.

Vous devriez envisager sérieusement d'écrire un lexeur et un analyseur appropriés à la place.