- 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.