A regex não aceita __foo_bar__
por causa da classe de caracteres negados [^_]
, que corresponde a "qualquer caractere que não seja _
". E como foo_bar
tem um _
, não é encontrado um match.
Para que aceite este caso, temos que incluir outra condição, que é "o caractere _
, desde que não tenha outro _
depois". Podemos fazer isso com um lookahead negativo: _(?!_)
.
Sendo assim, este trecho ficaria [^_]|_(?!_)
(um caractere que não é _
, ou um _
desde que não tenha outro _
depois).
Outro detalhe é que a regex não aceita casos com somente um caractere entre os delimitadores, como por exemplo __a__
(veja). Isso é porque o [^\s_]
aparece duas vezes: uma depois do delimitador inicial, e outra antes do delimitador final. Por isso a regex exige que haja pelo menos dois caracteres entre os delimitadores.
Podemos resolver isso usando um lookahead negativo logo depois do delimitador inicial: troco o [^\s_]
por (?![\s_])
(ou seja, não pode ter espaço nem _
depois). A diferença é que o lookahead só olha o que tem à frente, mas não consome o caractere (então se tiver somente um, este será consumido pelos trechos seguintes da regex, permitindo o caso que só tem um caractere).
Também podemos trocar as verificações do início e fim para um lookahead e um lookbehind, para não criar grupos à toa e não precisar incluí-los na substituição. E por fim, deixar apenas um grupo de captura para o conteúdo entre os delimitadores, transformando os demais em grupos de não-captura, trocando o (
por (?:
. Assim fico com somente um grupo, e na substituição posso fazer apenas <i>$1</i>
.
Ficaria assim:
(?<=^|[^_])__((?![\s_])(?:(?:[^_]|_(?!_))+?)?[^\s_])__(?=[^_]|$)
Veja aqui a regex funcionando
Resumindo:
(?<=^|[^_])
: lookbehind para verificar se antes do delimitador tem o início da string ou um caractere que não seja _
(?![\s_])
: lookahead negativo para verificar se depois do delimitador não tem espaço nem _
[^_]|_(?!_)
: um caractere que não seja _
, ou um _
desde que não tenha outro _
depois
[^\s_]
: um caractere que não é espaço nem _
(?=[^_]|$)
: lookahead para verificar se depois do delimitador tem o final da string ou um caractere que não seja _
Para os delimitadores **
, basta usar a mesma lógica. Lembrando que o *
possui significado especial em regex (é um quantificador que indica "zero ou mais ocorrências") e deve ser escapado com \
(ficando \*
), exceto se estiver entre colchetes. Ou seja:
(?<=^|[^*])\*\*((?![\s*])(?:(?:[^*]|\*(?!\*))+?)?[^\s*])\*\*(?=[^*]|$)
Testando:
$q = "
Boa __tarde__ **Bacco**, isto é um **teste** com diversos **negritos** e __sublinhados__
__**um** dois__
**__um__ dois**
-- funciona
__foo bar__
__f o o b a r__
**teste __lorem ipsum__ dolor sit**
__teste **lorem ipsum** dolor sit__
abc__xyz__teste
-- não funcionava na primeira versão
__foo_bar__
__a__
__*__
__foo_*bar__
-- não é para funcionar
__ foo bar__
__foo bar __
_foo__
__ foo __
_foo_
__foo_
__ __
__a____
____a__
_____
-- corner case: aninhado (não tratei pois não sei o que deveria fazer)
__abc__xyz__123__
__abc __xyz__ 123__
-- corner case: escapes
__\___
__a\___
__\_abc__
";
$q = preg_replace('#(?<=^|[^*])\*\*((?![\s*])(?:(?:[^*]|\*(?!\*))+?)?[^\s*])\*\*(?=[^*]|$)#', '<b>$1</b>', $q);
$q = preg_replace('#(?<=^|[^_])__((?![\s_])(?:(?:[^_]|_(?!_))+?)?[^\s_])__(?=[^_]|$)#', '<i>$1</i>', $q);
var_dump($q);
Saída:
string(637) "
Boa <i>tarde</i> <b>Bacco</b>, isto é um <b>teste</b> com diversos <b>negritos</b> e <i>sublinhados</i>
<i><b>um</b> dois</i>
<b><i>um</i> dois</b>
-- funciona
<i>foo bar</i>
<i>f o o b a r</i>
<b>teste <i>lorem ipsum</i> dolor sit</b>
<i>teste <b>lorem ipsum</b> dolor sit</i>
abc<i>xyz</i>teste
-- não funcionava na primeira versão
<i>foo_bar</i>
<i>a</i>
<i>*</i>
<i>foo_*bar</i>
-- não é para funcionar
__ foo bar__
__foo bar __
_foo__
__ foo __
_foo_
__foo_
__ __
__a____
____a__
_____
-- corner case: aninhado (não tratei pois não sei o que deveria fazer)
<i>abc</i>xyz<i>123</i>
__abc <i>xyz</i> 123__
-- corner case: escapes
__\___
__a\___
<i>\_abc</i>
"
Como pode ver, ainda há corner cases a serem tratados:
- 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)
Enfim, o ideal é usar um parser de Markdown, regex nem sempre é a melhor solução.
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.
Também são usados grupos atômicos (marcados por (?>
) para reduzir um pouco o backtracking.
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.