Na sua resposta (que não está errada), você usa a flag U
, que faz com que o quantificador *
não seja greedy (ganancioso), tornando-o lazy (preguiçoso). É o mesmo que usar /\[\[(.*?)\]\]/
- usar .*?
sem flag U
tem o mesmo efeito de usar .*
com a flag, e ambas funcionam perfeitamente. Só gostaria de propor uma alternativa.
Apesar de .*?
(ou .*
com a flag U
, que são a mesma coisa) funcionar, os quantificadores lazy têm o seu preço. Basicamente, a regex tem que ficar indo e voltando várias vezes na string, para encontrar um trecho que a satisfaça. E como o ponto corresponde a qualquer caractere, as possibilidades que a regex precisa verificar podem aumentar exponencialmente, dependendo do caso (não é o caso da sua regex, mas mesmo assim é importante saber disso e não usar .*
sempre, "no automático").
Em regex, o melhor é dizer exatamente o que você quer e o que não quer. O ponto corresponde a qualquer caractere, mas você realmente quer que tenha "qualquer coisa" entre [[]]
?
Uma alternativa seria usar '/\[\[([^\[\]]*)\]\]/'
. Eu troquei o ponto por [^\[\]]
, que é uma classe de caracteres negados. Ou seja, ela corresponde a qualquer caractere que não seja o que está entre [^
e ]
. No caso, é \[\]
, ou seja, é qualquer caractere que não seja [
nem ]
. Assim, eu nem preciso da flag U
, pois o quantificador *
vai parar quando encontrar o primeiro ]
(ou outro [
, evitando casos como [[[
, que entendi que não deve aparecer).
A diferença de desempenho, neste caso, não é tão grande, mas a classe de caracteres negados é ligeiramente mais rápida: veja a versão com .*
e compare a quantidade de passos com a segunda versão. Claro que para poucas strings pequenas, a diferença será imperceptível. Mas há outra diferença entre essas soluções.
Caso a string tenha um placeholder incompleto (por exemplo, [[abc]
- com um ]
faltando, talvez por erro de digitação - ou [[abc
- sem o fechamento), a regex com .*
acaba pegando mais caracteres do que devia (já que o ponto corresponde a qualquer caractere, inclusive os próprios caracteres [
e ]
, e caso a regex julgue necessário, o ponto pega o [
ou o ]
como parte do match). Exemplo:
$str = "Lorem ipsum [[xx] et [[dfg]] abc [[ops abc [[xyz]]";
preg_match_all('/\[\[(.*)\]\]/U', $str, $pat_array);
var_dump($pat_array);
preg_match_all('/\[\[([^\[\]]*)\]\]/', $str, $pat_array);
var_dump($pat_array);
A saída deste código é:
array(2) {
[0]=>
array(2) {
[0]=>
string(16) "[[xx] et [[dfg]]"
[1]=>
string(17) "[[ops abc [[xyz]]"
}
[1]=>
array(2) {
[0]=>
string(12) "xx] et [[dfg"
[1]=>
string(13) "ops abc [[xyz"
}
}
array(2) {
[0]=>
array(2) {
[0]=>
string(7) "[[dfg]]"
[1]=>
string(7) "[[xyz]]"
}
[1]=>
array(2) {
[0]=>
string(3) "dfg"
[1]=>
string(3) "xyz"
}
}
Repare que a primeira regex com .*
acaba pegando xx] et [[dfg
e ops abc [[xyz
, pois ela não consegue detectar que o xx
só tem um ]
e o ops
não possui o fechamento. E como o ponto corresponde a qualquer caractere, a regex continua avançando na string até encontrar alguma ocorrência de ]]
. Por isso ela acaba pegando mais do que devia.
Já se eu usar [^\[\]]*
, a regex para quando encontra um [
ou ]
, e caso não encontre, a regex falha e ela pode continuar procurando em outros pontos da string. Por isso ela só encontra os placeholders que possuem a abertura ([[
) e fechamento (]]
), ignorando os demais casos.
Além disso, a segunda regex é mais eficiente e demora menos para detectar e ignorar esses problemas. Compare a quantidade de passos da primeira regex com a da segunda. Novamente, para poucas strings pequenas a diferença de desempenho não será tão grande, e se todas as strings possuem placeholders corretamente delimitados (ou seja, caso não ocorram os problemas de faltar o ]
no fechamento), este problema não ocorrerá.
Se quiser ser ainda mais específico, pode colocar uma regex que corresponda exatamente àquilo o placeholder pode ser. Se ele só pode ter letras, por exemplo, basta usar '/\[\[([a-zA-Z]*)\]\]/'
. O trecho [a-zA-Z]
corresponde a qualquer letra de a
a z
, maiúscula ou minúscula.
Outro detalhe é que o *
significa "zero ou mais ocorrências", então ele pode acabar pegando a string [[]]
. Se quiser forçar que tenha pelo menos um caractere entre o [[
e ]]
, troque para '/\[\[([a-zA-Z]+)\]\]/'
, pois o +
significa "uma ou mais ocorrências" (ou seja, tem que ter pelo menos uma letra entre os colchetes). Outra opção é usar valores fixos, como '/\[\[([a-zA-Z]{3,20})\]\]/'
(aceita entre 3 e 20 letras) ou ainda '/\[\[([a-zA-Z]{3,})\]\]/'
(no mínimo 3 letras, sem limite máximo). Adapte de acordo com o que precisar.