正則表達(dá)式詳細(xì)介紹（下）

本文是前一片文章《正則表達(dá)式詳細(xì)介紹（上）》的續(xù)篇，在本文中講述了正則表達(dá)式中的組與向后引用，先前向后查看，條件測試，單詞邊界，選擇符等表達(dá)式及例子，并分析了正則引擎在執(zhí)行匹配時的內(nèi)部機(jī)理。
9. 單詞邊界

元字符\b>>也是一種對位置進(jìn)行匹配的“錨”。這種匹配是0長度匹配。

有4種位置被認(rèn)為是“單詞邊界”：

1) 在字符串的第一個字符前的位置(如果字符串的第一個字符是一個“單詞字符”)

2) 在字符串的最后一個字符后的位置(如果字符串的最后一個字符是一個“單詞字符”)

3) 在一個“單詞字符”和“非單詞字符”之間，其中“非單詞字符”緊跟在“單詞字符”之后

4) 在一個“非單詞字符”和“單詞字符”之間，其中“單詞字符”緊跟在“非單詞字符”后面

“單詞字符”是可以用“\w”匹配的字符，“非單詞字符”是可以用“\W”匹配的字符。在大多數(shù)的正則表達(dá)式實現(xiàn)中，“單詞字符”通常包括[a-zA-Z0-9_]>>。

例如：\b4\b>>能夠匹配單個的4而不是一個更大數(shù)的一部分。這個正則表達(dá)式不會匹配“44”中的4。

換種說法，幾乎可以說\b>>匹配一個“字母數(shù)字序列”的開始和結(jié)束的位置。

“單詞邊界”的取反集為\B>>，他要匹配的位置是兩個“單詞字符”之間或者兩個“非單詞字符”之間的位置。

深入正則表達(dá)式引擎內(nèi)部

讓我們看看把正則表達(dá)式\bis\b>>應(yīng)用到字符串“This island is beautiful”。引擎先處理符號\b>>。因為\b是0長度 ，所以第一個字符T前面的位置會被考察。因為T是一個“單詞字符”，而它前面的字符是一個空字符(void)，所以\b匹配了單詞邊界。接著i>>和第一個字符“T”匹配失敗。匹配過程繼續(xù)進(jìn)行，直到第五個空格符，和第四個字符“s”之間又匹配了\b>>。

然而空格符和i>>不匹配。繼續(xù)向后，到了第六個字符“i”，和第五個空格字符之間匹配了\b>>，然后is>>和第六、第七個字符都匹配了。然而第八個字符和第二個“單詞邊界”不匹配，所以匹配又失敗了。到了第13個字符i，因為和前面一個空格符形成“單詞邊界”，同時is>>和“is”匹配。引擎接著嘗試匹配第二個\b>>。因為第15個空格符和“s”形成單詞邊界，所以匹配成功。引擎“急著”返回成功匹配的結(jié)果。

10. 選擇符

正則表達(dá)式中“|”表示選擇。你可以用選擇符匹配多個可能的正則表達(dá)式中的一個。

如果你想搜索文字“cat”或“dog”，你可以用cat|dog>>。如果你想有更多的選擇，你只要擴(kuò)展列表cat|dog|mouse|fish>>。

選擇符在正則表達(dá)式中具有最低的優(yōu)先級，也就是說，它告訴引擎要么匹配選擇符左邊的所有表達(dá)式，要么匹配右邊的所有表達(dá)式。你也可以用圓括號來限制選擇符的作用范圍。如\b(cat|dog)\b>>，這樣告訴正則引擎把(cat|dog)當(dāng)成一個正則表達(dá)式單位來處理。

注意正則引擎的“急于表功”性

正則引擎是急切的，當(dāng)它找到一個有效的匹配時，它會停止搜索。因此在一定條件下，選擇符兩邊的表達(dá)式的順序?qū)Y(jié)果會有影響。假設(shè)你想用正則表達(dá)式搜索一個編程語言的函數(shù)列表：Get，GetValue，Set或SetValue。一個明顯的解決方案是Get|GetValue|Set|SetValue>>。讓我們看看當(dāng)搜索SetValue時的結(jié)果。

因為Get>>和GetValue>>都失敗了，而Set>>匹配成功。因為正則導(dǎo)向的引擎都是“急切”的，所以它會返回第一個成功的匹配，就是“Set”，而不去繼續(xù)搜索是否有其他更好的匹配。

和我們期望的相反，正則表達(dá)式并沒有匹配整個字符串。有幾種可能的解決辦法。一是考慮到正則引擎的“急切”性，改變選項的順序，例如我們使用GetValue|Get|SetValue|Set>>，這樣我們就可以優(yōu)先搜索最長的匹配。我們也可以把四個選項結(jié)合起來成兩個選項：Get(Value)?|Set(Value)?>>。因為問號重復(fù)符是貪婪的，所以SetValue總會在Set之前被匹配。

一個更好的方案是使用單詞邊界：\b(Get|GetValue|Set|SetValue)\b>>或\b(Get(Value)?|Set(Value)?\b>>。更進(jìn)一步，既然所有的選擇都有相同的結(jié)尾，我們可以把正則表達(dá)式優(yōu)化為\b(Get|Set)(Value)?\b>>。

11. 組與向后引用

把正則表達(dá)式的一部分放在圓括號內(nèi)，你可以將它們形成組。然后你可以對整個組使用一些正則操作，例如重復(fù)操作符。

要注意的是，只有圓括號“()”才能用于形成組?！癧]”用于定義字符集。“{}”用于定義重復(fù)操作。

當(dāng)用“()”定義了一個正則表達(dá)式組后，正則引擎則會把被匹配的組按照順序編號，存入緩存。當(dāng)對被匹配的組進(jìn)行向后引用的時候，可以用“\數(shù)字”的方式進(jìn)行引用。\1>>引用第一個匹配的后向引用組，\2>>引用第二個組，以此類推，\n>>引用第n個組。而\0>>則引用整個被匹配的正則表達(dá)式本身。我們看一個例子。

假設(shè)你想匹配一個HTML標(biāo)簽的開始標(biāo)簽和結(jié)束標(biāo)簽，以及標(biāo)簽中間的文本。比如B>This is a test/B>，我們要匹配B>和/B>以及中間的文字。我們可以用如下正則表達(dá)式：“([A-Z][A-Z0-9]*)[^>]*>.*?/\1>”

首先，“”將會匹配“B>”的第一個字符“”。然后[A-Z]匹配B，[A-Z0-9]*將會匹配0到多次字母數(shù)字，后面緊接著0到多個非“>”的字符。最后正則表達(dá)式的“>”將會匹配“B>”的“>”。接下來正則引擎將對結(jié)束標(biāo)簽之前的字符進(jìn)行惰性匹配，直到遇到一個“/”符號。然后正則表達(dá)式中的“\1”表示對前面匹配的組“([A-Z][A-Z0-9]*)”進(jìn)行引用，在本例中，被引用的是標(biāo)簽名“B”。所以需要被匹配的結(jié)尾標(biāo)簽為“/B>”

你可以對相同的后向引用組進(jìn)行多次引用，([a-c])x\1x\1>>將匹配“axaxa”、“bxbxb”以及“cxcxc”。如果用數(shù)字形式引用的組沒有有效的匹配，則引用到的內(nèi)容簡單的為空。

一個后向引用不能用于它自身。([abc]\1)>>是錯誤的。因此你不能將\0>>用于一個正則表達(dá)式匹配本身，它只能用于替換操作中。

后向引用不能用于字符集內(nèi)部。(a)[\1b]>>中的\1>>并不表示后向引用。在字符集內(nèi)部，\1>>可以被解釋為八進(jìn)制形式的轉(zhuǎn)碼。

向后引用會降低引擎的速度，因為它需要存儲匹配的組。如果你不需要向后引用，你可以告訴引擎對某個組不存儲。例如：Get(?:Value)>>。其中“(”后面緊跟的“?:”會告訴引擎對于組(Value)，不存儲匹配的值以供后向引用。

（1）重復(fù)操作與后向引用

當(dāng)對組使用重復(fù)操作符時，緩存里后向引用內(nèi)容會被不斷刷新，只保留最后匹配的內(nèi)容。例如：([abc]+)=\1>>將匹配“cab=cab”，但是([abc])+=\1>>卻不會。因為([abc])第一次匹配“c”時，“\1”代表“c”；然后([abc])會繼續(xù)匹配“a”和“b”。最后“\1”代表“b”，所以它會匹配“cab=b”。

應(yīng)用：檢查重復(fù)單詞--當(dāng)編輯文字時，很容易就會輸入重復(fù)單詞，例如“the the”。使用\b(\w+)\s+\1\b>>可以檢測到這些重復(fù)單詞。要刪除第二個單詞，只要簡單的利用替換功能替換掉“\1”就可以了。

（2）組的命名和引用

在PHP，Python中，可以用(?Pname>group)>>來對組進(jìn)行命名。在本例中，詞法?Pname>就是對組(group)進(jìn)行了命名。其中name是你對組的起的名字。你可以用(?P=name)進(jìn)行引用。

.NET的命名組

.NET framework也支持命名組。不幸的是，微軟的程序員們決定發(fā)明他們自己的語法，而不是沿用Perl、Python的規(guī)則。目前為止，還沒有任何其他的正則表達(dá)式實現(xiàn)支持微軟發(fā)明的語法。

下面是.NET中的例子：

(?first>group)(?'second'group)

正如你所看到的，.NET提供兩種詞法來創(chuàng)建命名組：一是用尖括號“>”，或者用單引號“''”。尖括號在字符串中使用更方便，單引號在ASP代碼中更有用，因為ASP代碼中“>”被用作HTML標(biāo)簽。

要引用一個命名組，使用\kname>或\k'name'.

當(dāng)進(jìn)行搜索替換時，你可以用“${name}”來引用一個命名組。

12. 正則表達(dá)式的匹配模式

本教程所討論的正則表達(dá)式引擎都支持三種匹配模式：

/i>>使正則表達(dá)式對大小寫不敏感，

/s>>開啟“單行模式”，即點號“.”匹配新行符

/m>>開啟“多行模式”，即“^”和“$”匹配新行符的前面和后面的位置。

在正則表達(dá)式內(nèi)部打開或關(guān)閉模式

如果你在正則表達(dá)式內(nèi)部插入修飾符(?ism)，則該修飾符只對其右邊的正則表達(dá)式起作用。(?-i)是關(guān)閉大小寫不敏感。你可以很快的進(jìn)行測試。(?i)te(?-i)st>>應(yīng)該匹配TEst，但是不能匹配teST或TEST.

13. 原子組與防止回溯

在一些特殊情況下，因為回溯會使得引擎的效率極其低下。

讓我們看一個例子：要匹配這樣的字串，字串中的每個字段間用逗號做分隔符，第12個字段由P開頭。

我們?nèi)菀紫氲竭@樣的正則表達(dá)式^(.*?,){11}P>>。這個正則表達(dá)式在正常情況下工作的很好。但是在極端情況下，如果第12個字段不是由P開頭，則會發(fā)生災(zāi)難性的回溯。如要搜索的字串為“1,2,3,4,5,6,7,8,9,10,11,12,13”。首先，正則表達(dá)式一直成功匹配直到第12個字符。這時，前面的正則表達(dá)式消耗的字串為“1,2,3,4,5,6,7,8,9,10,11,”，到了下一個字符，P>>并不匹配“12”。所以引擎進(jìn)行回溯，這時正則表達(dá)式消耗的字串為“1,2,3,4,5,6,7,8,9,10,11”。繼續(xù)下一次匹配過程，下一個正則符號為點號.>>，可以匹配下一個逗號“,”。然而，>>并不匹配字符“12”中的“1”。匹配失敗，繼續(xù)回溯。大家可以想象，這樣的回溯組合是個非常大的數(shù)量。因此可能會造成引擎崩潰。

用于阻止這樣巨大的回溯有幾種方案：

一種簡單的方案是盡可能的使匹配精確。用取反字符集代替點號。例如我們用如下正則表達(dá)式^([^,\r\n]*,){11}P>>，這樣可以使失敗回溯的次數(shù)下降到11次。

另一種方案是使用原子組。

原子組的目的是使正則引擎失敗的更快一點。因此可以有效的阻止海量回溯。原子組的語法是(?>正則表達(dá)式)>>。位于(?>)之間的所有正則表達(dá)式都會被認(rèn)為是一個單一的正則符號。一旦匹配失敗，引擎將會回溯到原子組前面的正則表達(dá)式部分。前面的例子用原子組可以表達(dá)成^(?>(.*?,){11})P>>。一旦第十二個字段匹配失敗，引擎回溯到原子組前面的^>>。

14. 向前查看與向后查看

Perl 5 引入了兩個強(qiáng)大的正則語法：“向前查看”和“向后查看”。他們也被稱作“零長度斷言”。他們和錨定一樣都是零長度的（所謂零長度即指該正則表達(dá)式不消耗被匹配的字符串）。不同之處在于“前后查看”會實際匹配字符，只是他們會拋棄匹配只返回匹配結(jié)果：匹配或不匹配。這就是為什么他們被稱作“斷言”。他們并不實際消耗字符串中的字符，而只是斷言一個匹配是否可能。

幾乎本文討論的所有正則表達(dá)式的實現(xiàn)都支持“向前向后查看”。唯一的一個例外是Javascript只支持向前查看。

（1）肯定和否定式的向前查看

如我們前面提過的一個例子：要查找一個q，后面沒有緊跟一個u。也就是說，要么q后面沒有字符，要么后面的字符不是u。采用否定式向前查看后的一個解決方案為q(?!u)>>。否定式向前查看的語法是(?!查看的內(nèi)容)>>。

肯定式向前查看和否定式向前查看很類似：(?=查看的內(nèi)容)>>。

如果在“查看的內(nèi)容”部分有組，也會產(chǎn)生一個向后引用。但是向前查看本身并不會產(chǎn)生向后引用，也不會被計入向后引用的編號中。這是因為向前查看本身是會被拋棄掉的，只保留匹配與否的判斷結(jié)果。如果你想保留匹配的結(jié)果作為向后引用，你可以用(?=(regex))>>來產(chǎn)生一個向后引用。

（2）肯定和否定式的先后查看

向后查看和向前查看有相同的效果，只是方向相反

否定式向后查看的語法是：(?!查看內(nèi)容)>>

肯定式向后查看的語法是：(?=查看內(nèi)容)>>

我們可以看到，和向前查看相比，多了一個表示方向的左尖括號。

例：(?!a)b>>將會匹配一個沒有“a”作前導(dǎo)字符的“b”。

值得注意的是：向前查看從當(dāng)前字符串位置開始對“查看”正則表達(dá)式進(jìn)行匹配；向后查看則從當(dāng)前字符串位置開始先后回溯一個字符，然后再開始對“查看”正則表達(dá)式進(jìn)行匹配。

（3）深入正則表達(dá)式引擎內(nèi)部

讓我們看一個簡單例子。

把正則表達(dá)式q(?!u)>>應(yīng)用到字符串“Iraq”。正則表達(dá)式的第一個符號是q>>。正如我們知道的，引擎在匹配q>>以前會掃過整個字符串。當(dāng)?shù)谒膫€字符“q”被匹配后，“q”后面是空字符(void)。而下一個正則符號是向前查看。引擎注意到已經(jīng)進(jìn)入了一個向前查看正則表達(dá)式部分。下一個正則符號是u>>，和空字符不匹配，從而導(dǎo)致向前查看里的正則表達(dá)式匹配失敗。因為是一個否定式的向前查看，意味著整個向前查看結(jié)果是成功的。于是匹配結(jié)果“q”被返回了。

我們在把相同的正則表達(dá)式應(yīng)用到“quit”。q>>匹配了“q”。下一個正則符號是向前查看部分的u>>，它匹配了字符串中的第二個字符“i”。引擎繼續(xù)走到下個字符“i”。然而引擎這時注意到向前查看部分已經(jīng)處理完了，并且向前查看已經(jīng)成功。于是引擎拋棄被匹配的字符串部分，這將導(dǎo)致引擎回退到字符“u”。

因為向前查看是否定式的，意味著查看部分的成功匹配導(dǎo)致了整個向前查看的失敗，因此引擎不得不進(jìn)行回溯。最后因為再沒有其他的“q”和q>>匹配，所以整個匹配失敗了。

為了確保你能清楚地理解向前查看的實現(xiàn)，讓我們把q(?=u)i>>應(yīng)用到“quit”。q>>首先匹配“q”。然后向前查看成功匹配“u”，匹配的部分被拋棄，只返回可以匹配的判斷結(jié)果。引擎從字符“i”回退到“u”。由于向前查看成功了，引擎繼續(xù)處理下一個正則符號i>>。結(jié)果發(fā)現(xiàn)i>>和“u”不匹配。因此匹配失敗了。由于后面沒有其他的“q”，整個正則表達(dá)式的匹配失敗了。

（4）更進(jìn)一步理解正則表達(dá)式引擎內(nèi)部機(jī)制

讓我們把(?=a)b>>應(yīng)用到“thingamabob”。引擎開始處理向后查看部分的正則符號和字符串中的第一個字符。在這個例子中，向后查看告訴正則表達(dá)式引擎回退一個字符，然后查看是否有一個“a”被匹配。因為在“t”前面沒有字符，所以引擎不能回退。因此向后查看失敗了。引擎繼續(xù)走到下一個字符“h”。再一次，引擎暫時回退一個字符并檢查是否有個“a”被匹配。結(jié)果發(fā)現(xiàn)了一個“t”。向后查看又失敗了。

向后查看繼續(xù)失敗，直到正則表達(dá)式到達(dá)了字符串中的“m”，于是肯定式的向后查看被匹配了。因為它是零長度的，字符串的當(dāng)前位置仍然是“m”。下一個正則符號是b>>，和“m”匹配失敗。下一個字符是字符串中的第二個“a”。引擎向后暫時回退一個字符，并且發(fā)現(xiàn)a>>不匹配“m”。

在下一個字符是字符串中的第一個“b”。引擎暫時性的向后退一個字符發(fā)現(xiàn)向后查看被滿足了，同時b>>匹配了“b”。因此整個正則表達(dá)式被匹配了。作為結(jié)果，正則表達(dá)式返回字符串中的第一個“b”。

（5）向前向后查看的應(yīng)用

我們來看這樣一個例子：查找一個具有6位字符的，含有“cat”的單詞。

首先，我們可以不用向前向后查看來解決問題，例如：

cat\w{3}|\wcat\w{2}|\w{2}cat\w|\w{3}cat>>

足夠簡單吧！但是當(dāng)需求變成查找一個具有6-12位字符，含有“cat”，“dog”或“mouse”的單詞時，這種方法就變得有些笨拙了。

我們來看看使用向前查看的方案。在這個例子中，我們有兩個基本需求要滿足：一是我們需要一個6位的字符，二是單詞含有“cat”。

滿足第一個需求的正則表達(dá)式為\b\w{6}\b>>。滿足第二個需求的正則表達(dá)式為\b\w*cat\w*\b>>。

把兩者結(jié)合起來，我們可以得到如下的正則表達(dá)式：

(?=\b\w{6}\b)\b\w*cat\w*\b>>

具體的匹配過程留給讀者。但是要注意的一點是，向前查看是不消耗字符的，因此當(dāng)判斷單詞滿足具有6個字符的條件后，引擎會從開始判斷前的位置繼續(xù)對后面的正則表達(dá)式進(jìn)行匹配。

最后作些優(yōu)化，可以得到下面的正則表達(dá)式：

\b(?=\w{6}\b)\w{0,3}cat\w*>>

15. 正則表達(dá)式中的條件測試

條件測試的語法為(?ifthen|else)>>?！癷f”部分可以是向前向后查看表達(dá)式。如果用向前查看，則語法變?yōu)椋??(?=regex)then|else)>>，其中else部分是可選的。

如果if部分為true，則正則引擎會試圖匹配then部分，否則引擎會試圖匹配else部分。

需要記住的是，向前先后查看并不實際消耗任何字符，因此后面的then與else部分的匹配時從if測試前的部分開始進(jìn)行嘗試。

16. 為正則表達(dá)式添加注釋

在正則表達(dá)式中添加注釋的語法是：(?#comment)>>

例：為用于匹配有效日期的正則表達(dá)式添加注釋：

(?#year)(19|20)\d\d[- /.](?#month)(0[1-9]|1[012])[- /.](?#day)(0[1-9]|[12][0-9]|3[01])

到這里，正則表達(dá)式的知識，就介紹完了！希望對你有幫助。