如何编写可检测内部含同值分隔符的异常IRI的正则表达式
RDF序列化场景下的异常IRI正则检测方案
基准合法形态
RDF序列化规范中,合法IRI的写法是用成对的半角尖括号<>作为分隔符,包裹完整的IRI内容,分隔符之间的内部内容不允许出现未转义的<或>字符,标准合法样例为:<http://www.w3.org/1999/02/22-rdf-syntax-ns#type>
需要覆盖的异常形态
需要正则精准识别两类不符合规范的异常序列化写法:
- 异常类型1:结束分隔符位置提前,IRI内部混入未转义的
<字符,导致外层尖括号结构失衡:<https://example.com/code/INSTRUMENTS/AGD<1> - 异常类型2:尖括号嵌套错位,IRI内部混入多余的
>字符,结束分隔符不在字符串最末尾:<https://example.com/code/INSTRUMENTS/AGD>1>
现有通用方案的适配缺陷
目前可检索到的多数通用URI匹配正则,普遍采用<.*?>的非贪婪匹配逻辑,遇到上述两类异常时会直接在内部第一个碰到的>位置截断匹配,既无法识别整个字符串的结构完整性问题,也会漏掉内部嵌入的同类型分隔符字符,完全无法满足检测需求。
适配场景的正则实现
基于RDF IRI的结构规则做反向校验,可实现无截断的精准匹配,对应正则表达式为:^<(?!(?:[^<>]*>)$).*$
正则逻辑说明
- 首先锁定匹配范围:字符串必须以IRI的起始分隔符
<开头,代表待检测的是序列化格式的IRI - 加入负向预查校验:只要字符串不符合「起始分隔符之后的所有内容中,没有任何
<或>字符,且字符串末尾恰好是结束分隔符>」的合法结构规则,就直接命中异常 - 匹配过程不会因为内部出现同类型尖括号就提前截断,可完整覆盖两类需要识别的异常形态,不会出现漏判。
内容的提问来源于stack exchange,提问作者Timothy Higinbottom
相关产品推荐
相关产品推荐

