PHP正则匹配3-4列含空格可选列的网络节点数据问题

场景说明 #

在PHP环境中解析网络节点数据文件，每行最多包含4列，第4列为可选字段，列定义如下：

<Node name>  <Operating System> <Description> <SSL info>

列分隔规则：列与列之间通过2个及以上连续空格分隔，单个空格属于列内内容。
测试数据样例：

SIG.SND.SERV                   ZOS        A Big client (MF  LPAR   PROD)
    ADC1                           ZOS        AMEX                           SSL
    ADEPTRA.GB1.PROD               LINUX      BANK OF SOMEWHERE            TLS
    ADEPTRA.GB2.CQA                LINUX      BANK OF SOMEWHERE            TLS
    AIX.EG3C                       UNIX       BARCLAYS                       S+
    AIX.EG3P                       UNIX       BARCLAYS                       S+
    ADEPTRA.GB2.CQA                LINUX      FICO (ADEPTRA) LTD            TLS
    AIX.RMWDEV1                    UNIX       FDCS
    AIX.RMWPROD1                   UNIX       FDCS
    AIX-EFXWRWCK01                 UNIX       EQUIFAX EUROPE
    ANB-DRC-CDFDI                  NT         ARAB NATIONAL BANK (ANB)      SSL

已知匹配难点 #

• 第3列Description字段可包含任意数量空格，单词间允许存在多个连续空格
• 第4列SSL info为可选字段，整行可能缺失该列
• 此前尝试的正则均存在适配缺陷：
  • 第一版正则(\S+)\s+(\S+)\s+(\S.+?\S)\s+(\S.+)?：仅第4列存在时可正常匹配，第4列缺失时匹配失败
  • 第二版正则(\S+)\s{2,} (\S+)\s{2,} (\S.+\S)(\s{2,})? ?(\S.+)?：第4列缺失时可完成匹配，但会将第4列内容错误合并到第3列
  • 第三版正则(\S.+?\S)[\s{2}|$]：字符类规则逻辑错误，无法正确拆分各列边界

可用正则及实现 #

正则表达式 #

兼容行首行尾空白、第4列可选场景的正则如下：

/^\s*(\S+)\s{2,}(\S+)\s{2,}(.*?\S)(?:\s{2,}(\S+))?\s*$/

分组对应关系 #

• 分组1：匹配Node name节点名称
• 分组2：匹配Operating System操作系统字段
• 分组3：匹配Description描述字段，完整保留字段内部的单/多空格，自动剔除字段尾部冗余空格
• 分组4：可选匹配项，对应SSL info字段，无该列时返回空值

PHP调用示例 #

// 逐行读取文件后，单行走正则匹配即可
$line = "    SIG.SND.SERV                   ZOS        A Big client (MF  LPAR   PROD)";
preg_match('/^\s*(\S+)\s{2,}(\S+)\s{2,}(.*?\S)(?:\s{2,}(\S+))?\s*$/', trim($line), $matches);
// 剔除全量匹配的第0项，剩余即为4列内容
$columns = array_slice($matches, 1);

匹配效果 #

对提供的11行测试数据可实现100%正确拆分：

• 无第4列的行：第4分组返回空，第3列描述完整保留内部空格格式
• 有第4列的行：SSL字段被正确拆分到第4分组，不会与第3列内容合并

内容的提问来源于stack exchange，提问作者Steve Ives