gawk中match()函数的交替运算符不符合预期问题求助

问题描述 #

我尝试在gawk中运行以下正则表达式：

match(distinguished_name, /.+,([^=]+).+$|(DN1)=.+/, m);

目的是匹配DN1=11和DN1=11,DN2=22中的最后一个专有名称。该正则在PCRE模式（如regex101）下运行正常，但gawk始终匹配第二个分支|(DN1)=.+，而非第一个分支。

示例代码 #

$ cat test-regex.awk
BEGIN {
    distinguished_name1="DN1=11"
    distinguished_name2="DN1=11,DN2=22"
    match(distinguished_name1, /.+,([^=]+).+$|(DN1)=.+/, m)
    print "m[1]="m[1]", m[2]="m[2]
    match(distinguished_name2, /.+,([^=]+).+$|(DN1)=.+/, m)
    print "m[1]="m[1]", m[2]="m[2]
}

实际输出 #

$ awk -f test-regex.awk
m[1]=, m[2]=DN1
m[1]=, m[2]=DN1

期望输出 #

$ awk -f test-regex.awk
m[1]=, m[2]=DN1
m[1]=DN2, m[2]=

原因分析 #

1. 正则引擎差异：gawk默认使用POSIX扩展正则表达式（ERE），与PCRE的匹配逻辑存在区别。PCRE对分支匹配的优先级处理更符合直观，而POSIX ERE的分支匹配会优先尝试左侧分支，但如果右侧分支能匹配整个字符串，可能出现不符合预期的结果。
2. 缺少锚点：原正则未添加^和$锚点，导致第二个分支(DN1)=.+可以匹配整个字符串（从开头到结尾），而gawk的match函数会返回第一个成功匹配的分支。

正确实现方法 #

方案1：锚定整个字符串，明确分支优先级 #

给正则添加^和$锚点，强制匹配整个字符串，确保先尝试匹配含逗号的分支：

BEGIN {
    distinguished_name1="DN1=11"
    distinguished_name2="DN1=11,DN2=22"
    match(distinguished_name1, /^.+,([^=]+).+$|^(DN1)=.+$/, m)
    print "m[1]="m[1]", m[2]="m[2]
    match(distinguished_name2, /^.+,([^=]+).+$|^(DN1)=.+$/, m)
    print "m[1]="m[1]", m[2]="m[2]
}

运行后输出与期望一致：

m[1]=, m[2]=DN1
m[1]=DN2, m[2]=

方案2：简化正则，直接匹配最后一个键名 #

不需要分支，直接匹配字符串末尾的键名，逻辑更简洁可靠：

BEGIN {
    distinguished_name1="DN1=11"
    distinguished_name2="DN1=11,DN2=22"
    # 匹配最后一个以=分隔的键名：[^=]+捕获键，后面是=和任意非逗号字符直到结尾
    match(distinguished_name1, /([^=]+)=[^,]*$/, m)
    print "key="m[1]
    match(distinguished_name2, /([^=]+)=[^,]*$/, m)
    print "key="m[1]
}

输出结果：

key=DN1
key=DN2

内容的提问来源于stack exchange，提问作者patrik