Skip to main content
adicionou 139 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial<-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)<-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)<-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \<-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou<-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _<-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \<-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final<-- delimitador final
(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final
(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final
adicionou 160 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170

Também são usados grupos atômicos (marcados por (?>) para reduzir um pouco o backtracking.

Também são usados grupos atômicos (marcados por (?>) para reduzir um pouco o backtracking.

adicionou 3053 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
  • delimitadores aninhados: __abc__xyz__123__ e __abc __xyz__ 123__, que foram substituídos respectivamente por <i>abc</i>xyz<i>123</i> e __abc <i>xyz</i> 123__ (não sei como os parsers costumam tratar esses casos)
  • escapes: \_deveria ser tratado com um caractere comum, por exemplo, __a\___ deveria se tornar <i>a_</i> - veja aqui uma tentativa frustrada de resolver, a solução definitiva creio que será bem mais complicada (tem uma bem complicada a seguir)

Só para constar, segue uma alternativa para tratar os escapes:

$regex = '#(?<=^|[^_])__(?![\s_])(?=[^_])((?>[^\\\\_]*)(?>(?:(?>\\\\_)|(?>(?!__)_[^_]*))[^\\\\_]*)*)(?<![\s\\\\]|(?=\\\\)_)__(?=[^_]|$)#';
$q = preg_replace($regex, '<i>$1</i>', $q);
$q = preg_replace('/\\\\([*_])/', '$1', $q);

Começando pela segunda regex, que é mais fácil. Ela verifica se tem um \ seguido de _ ou *, e remove o \. Mas a complicada mesmo é a primeira, que verifica se tem um _ escapado. Quebrando-a em partes (e colocando alguns espaços para ficar mais fácil de entender):

(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final

Se quiser, você pode colocá-la no código da maneira acima, usando a flag x para que os espaços e quebras de linha sejam ignorados:

$regex = '#(?<=^|[^_]) __ (?![\s_])
(?=[^_])
(
 (?> [^\\\\_]* )
 (?>
  (?:
    (?> \\\\_) |
    (?> (?!__) _ [^_]* )
  )
  [^\\\\_]*
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)#x';

Esta regex segue a técnica de unroll the loop, na qual você deve identificar as seguintes partes:

  • delimitadores inicial e final: usei a mesma ideia da regex anterior, que é usar lookaheads e lookbehinds para verificar o que tem antes e depois do __ (ou seja, verificar se não tem espaço depois do __ inicial, etc). Só adicionei mais alguns casos para verificar se um dos _ não está escapado com \
  • "normal": o que acontece com mais frequência entre os delimitadores. No caso, são os caracteres que não sejam \ nem _
  • "especial": o que não é normal. No caso, é um escape (\_), ou um _ sozinho (desde que não haja outro _ depois)

A estrutura geral da regex é:

delimitador normal* (?:especial normal*)* delimitador

Como tanto o normal quanto o especial estão marcados com * (zero ou mais ocorrências), a regex aceitaria casos como ____, então eu adicionei o lookahead (?=[^_]) logo depois do delimitador inicial, para garantir que tem pelo menos um caractere.

Esta regex ignora os casos de escape (\_), mas não os remove, por isso precisei de outra regex para removê-los depois.

Veja aqui esta regex funcionando. Apesar de funcionar, devem ter outros corner cases que ela não pega. Mas mesmo que não tivesse, ainda sim acho que não vale a pena, e usar um parser continua sendo a melhor opção.

  • delimitadores aninhados: __abc__xyz__123__ e __abc __xyz__ 123__, que foram substituídos respectivamente por <i>abc</i>xyz<i>123</i> e __abc <i>xyz</i> 123__ (não sei como os parsers costumam tratar esses casos)
  • escapes: \_deveria ser tratado com um caractere comum, por exemplo, __a\___ deveria se tornar <i>a_</i> - veja aqui uma tentativa frustrada de resolver, a solução definitiva creio que será bem mais complicada
  • delimitadores aninhados: __abc__xyz__123__ e __abc __xyz__ 123__, que foram substituídos respectivamente por <i>abc</i>xyz<i>123</i> e __abc <i>xyz</i> 123__ (não sei como os parsers costumam tratar esses casos)
  • escapes: \_deveria ser tratado com um caractere comum, por exemplo, __a\___ deveria se tornar <i>a_</i> - veja aqui uma tentativa frustrada de resolver, a solução definitiva creio que será bem mais complicada (tem uma bem complicada a seguir)

Só para constar, segue uma alternativa para tratar os escapes:

$regex = '#(?<=^|[^_])__(?![\s_])(?=[^_])((?>[^\\\\_]*)(?>(?:(?>\\\\_)|(?>(?!__)_[^_]*))[^\\\\_]*)*)(?<![\s\\\\]|(?=\\\\)_)__(?=[^_]|$)#';
$q = preg_replace($regex, '<i>$1</i>', $q);
$q = preg_replace('/\\\\([*_])/', '$1', $q);

Começando pela segunda regex, que é mais fácil. Ela verifica se tem um \ seguido de _ ou *, e remove o \. Mas a complicada mesmo é a primeira, que verifica se tem um _ escapado. Quebrando-a em partes (e colocando alguns espaços para ficar mais fácil de entender):

(?<=^|[^_]) __ (?![\s_])  <-- delimitador inicial
(?=[^_])  <-- verifica se tem pelo menos um caractere à frente (que não seja _)
(  <-- inicia grupo de captura (conteúdo que ficará entre as tags)
 (?> [^\\\\_]* )  <-- qualquer caractere que não seja _ nem \
 (?>
  (?:
    (?> \\\\_) |          <-- um escape (\_), ou
    (?> (?!__) _ [^_]* )  <-- um _ que não seja delimitador, seguido de caracteres que não são _
  )
  [^\\\\_]*   <-- qualquer caractere que não seja _ nem \
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)  <-- delimitador final

Se quiser, você pode colocá-la no código da maneira acima, usando a flag x para que os espaços e quebras de linha sejam ignorados:

$regex = '#(?<=^|[^_]) __ (?![\s_])
(?=[^_])
(
 (?> [^\\\\_]* )
 (?>
  (?:
    (?> \\\\_) |
    (?> (?!__) _ [^_]* )
  )
  [^\\\\_]*
 )*
)
(?<![\s\\\\]|(?=\\\\)_) __(?=[^_]|$)#x';

Esta regex segue a técnica de unroll the loop, na qual você deve identificar as seguintes partes:

  • delimitadores inicial e final: usei a mesma ideia da regex anterior, que é usar lookaheads e lookbehinds para verificar o que tem antes e depois do __ (ou seja, verificar se não tem espaço depois do __ inicial, etc). Só adicionei mais alguns casos para verificar se um dos _ não está escapado com \
  • "normal": o que acontece com mais frequência entre os delimitadores. No caso, são os caracteres que não sejam \ nem _
  • "especial": o que não é normal. No caso, é um escape (\_), ou um _ sozinho (desde que não haja outro _ depois)

A estrutura geral da regex é:

delimitador normal* (?:especial normal*)* delimitador

Como tanto o normal quanto o especial estão marcados com * (zero ou mais ocorrências), a regex aceitaria casos como ____, então eu adicionei o lookahead (?=[^_]) logo depois do delimitador inicial, para garantir que tem pelo menos um caractere.

Esta regex ignora os casos de escape (\_), mas não os remove, por isso precisei de outra regex para removê-los depois.

Veja aqui esta regex funcionando. Apesar de funcionar, devem ter outros corner cases que ela não pega. Mas mesmo que não tivesse, ainda sim acho que não vale a pena, e usar um parser continua sendo a melhor opção.

adicionou 17 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando
adicionou 414 caracteres ao conteúdo
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando
Fonte Link
hkotsubo
  • 66,9mil
  • 25
  • 87
  • 170
Carregando