Apple awk，正则表达式中的等价类表达式

Question

我偶然发现了 Apple 的 awk 关于等价类的奇怪行为，所以我试图了解正则表达式解析器的细节：

绳子	正则表达式	gsub(regexp, "_", string); print string
anything	[[=a]	awk：非终止字符类
][=ab	[[=a]]	_[=ab
anything	[[=a=]	awk：非终止字符类
][=ab	[[=a=]]	][=_b
][=ab	[[=ab]	][=a_
][=ab	[[=ab=]	][_a_
][=ab	[[=ab=]]	][=ab
][=ab(	[[=ab(=]	][_a__
][=ab(	[[=ab=](]	awk：语法错误

是否可以伪造一个多平台测试（BSD、Apple、GNU、POSIX）来确定正则表达式引擎是否已损坏，而不造成

awk

崩溃？

---

旁白： 用于测试的示例代码（第一行）：

awk 'BEGIN{
    string="anything"; regexp="[[=a]";
    gsub(regexp, "_", string); print string
}'

Answer 1

源代码显示，当解析器在括号表达式中遇到

[.

或

[=

时，它会消耗[.或

[=

之后的

一个字符

（可以是多字节）并检查匹配

.]

或

=]

:

• 找到后，它会移动到这 2 个字符之后并返回到“内括号表达式”状态。
• 当没有找到时，则不执行任何操作；解析器只是返回到“内括号表达式”状态。

此外（幸运的是），BSD 的解析器在

[:

或

[.

内时不会转换反斜杠转义序列；我们可以“利用”这个事实，并使用例如

\t

，这是在

[:

或

[.

内部使用的合法转义序列，来表征此特定实现：

# BSD awk (macOS and FreeBSD)
awk 'BEGIN { print match("\t", /[[=\t=]]/) }'
0

# GNU awk
awk 'BEGIN { print match("\t", /[[=\t=]]/) }'
1

# Solaris XPG4 awk
command -p awk 'BEGIN { print match("\t", /[[=\t=]]/) }'
1

[[=\t=]]

发生的情况是：

1. [

   被消耗，解析器被置于 inside-bracket-expression 状态。

2. [=

   被消耗，解析器获取下一个字符，即

   \

3. 解析器在接下来的 2 个字符（即

   t

   =

   ）处获取“峰值”，并将它们与

   =

    

   ]

   进行比较。由于它们不匹配，解析器返回到 inside-bracket-expression 状态，并且对之前的

   \

   （错误）不执行任何操作。

4. t

   被消耗并添加括号表达式的字符列表。

5. =

   被消耗了，我不知道为什么解析器不做任何事情？

6. ]

   被消耗，解析器进入 outside-bracket-expression 状态。

7. ]

   被消耗并连接到前面的括号表达式。

考虑到这些步骤，另一个可行的测试是：

# BSD awk (macOS and FreeBSD)
awk 'BEGIN { print match("t]", /[[=\t=]]/) }'
1

# GNU awk
awk 'BEGIN { print match("t]", /[[=\t=]]/) }'
0

# Solaris XPG4 awk
command -p awk 'BEGIN { print match("t]", /[[=\t=]]/) }'
0