JavaScript 的正則也有單行模式了

紫雲飛發表於2017-04-07

正規表示式最早是由 Ken Thompson 於 1970 年在他改進過的 QED 編輯器裡實現的,正則裡最簡單的元字元 “.” 在當時所匹配的就是除換行符外的任意字元:

"." is a regular expression which matches any character except <nl>.

上面這句話出自 QED 在 1970 年的官方文件,這可能是史上第一份正則文件。

為什麼要這麼規定?是因為 QED 是以行為單位來編輯檔案的,而且行尾的換行符也算在這一行的內容裡。比如你想把一段程式碼中所有的單行註釋刪掉,在 QED 裡可以用下面這句命令: 

1,$s#//.*##

如果 “.” 能匹配到換行符,那麼換行符也會被刪除,會導致這些行和它的下一行合併,這通常都不是我們想要的結果,所以,“.” 在最初發明時被設計成了不能匹配換行符。雖然現在的作業系統上已經沒有 QED 命令讓我們測試了,但我們還有 VIM,VIM 裡的 “.” 也一樣不能匹配換行符,因為同樣的原因。

不像在 Node 中,讀取檔案通常是一股腦讀完整個檔案,Perl 繼承了眾多 Linux 命令按行讀取檔案的傳統,像這樣:

while (<>) {print $_}

$_ 的末尾也有換行符,所以 Perl 也就很自然的繼承了 QED 的 “.” 不匹配換行符的規定。但 Perl 畢竟是門程式語言,而不是編輯器,它的正則要匹配的物件不單單會是單行文字,還可能是多行文字,因此在它的正則中,“.” 有跨行匹配的需求,因此 Perl 發明了正則的單行模式 /s,即讓 “.” 也能匹配換行符。

Perl 中用來開啟單行模式的 /s 修飾符的官方描述是 “Treat the string as single line”,這個 “single line” 要這麼理解:“.” 在普通模式下只能匹配行內字元,不能跨行;而在單行模式下,Perl 會假裝把多行字串看成一行,把其中的換行符看做是行內字元,所以 “.” 也就能匹配它們了。更形象點說,就是把下面的三行文字

1
2
3

看成 "1\n2\n3\n" 一行文字,單行模式就是這個意思。

但要命的是,因為同樣的原因(字串變數可以包含多行文字),Perl 還發明瞭 /m 修飾符,即多行模式,官方描述是 “Treat the string as multiple lines”,這個模式 JavaScript 的正則裡自古也有,這裡這個“多行”的意思是說:^ 和 $ 元字元預設不會匹配一個字串中間的那些換行符前後的位置,即認為字串永遠只有一行,開啟多行模式後就能匹配了。

也就是說,單行模式和多行模式是針對不同的元字元的,剛接觸正則的人都會被“單行模式”和“多行模式”這兩個看似是相對應的概念,實則毫無關聯的名詞給搞暈。

後來,Ruby 的作者可能覺得“單行模式”這個正則術語起的不好,特例獨行把讓 “.” 匹配換行符這一模式稱之為“多行模式”,即讓 .* 之類的正則能夠匹配多行了,所以也完全講得通,修飾符也用了 /m(Ruby 中預設會開啟 Perl 中的“多行模式”,所以 /m 沒被佔用),這真是雪上加霜,更亂了。 

再後來,Python 作者可能也覺得應該避免“單行模式”這個叫法,於是起了個新的名字 “dotall”,也就是讓 dot 能匹配所有字元的意思,很好的名字,再後來 Java 也使用了這個名字。

上面回顧了一下歷史,解釋了下單行模式的由來以及說明了下單行模式這個名字起得不好。V8 最近剛剛實現了一個 stage 3 的 ES 提案 https://github.com/mathiasbynens/es-regexp-dotall-flag,這個提案為 JavaScript 的正則引入了 /s 修飾符和 dotAll 屬性,dotAll 屬性是學了 Python 和 Java,/s 修飾符是繼承了 Perl 的,這裡也沒必要發明一個新的修飾符比如 /d,只會讓事情更復雜。/s 在 JavaScript 的具體效果是讓 “.” 能匹配以前不能匹配的四個行終止符:\n(換行)、\r(回車)、\u2028(行分隔符)、\u2029(段落分隔符):

/foo/s.dotAll // true
/^.{4}$/s.test("\n\r\u2028\u2029") // true

其實就是個很簡單的東西,但可能一些沒有接觸過 JavaScript 以外的正則的同學到時候學到這個新的模式後會產生困惑,這裡再澄清一下:多行模式控制的是 ^ 和 $ 的表現,單行模式控制的是 “.” 的表現,兩者沒有直接關係。

然而當初引入單行模式和多行模式這兩個易混淆概念的 Perl 語言,已經在 Perl 6 中完全刪除了這兩個模式:“.” 號預設就匹配換行符,\N 可以匹配換行符除外的任意字元;^ 和 $ 始終匹配字串的首尾,而新引入了 ^^ 和 $$ 兩個元字元來匹配行的首尾。

過去我們常用的單行模式的替代品 [^] 或者 [\s\S] 也不是完全沒有用了,比如在一些使用 JavaScript 正則的編輯器裡(VS Code、Atom),不太可能給你提供開啟單行模式的介面。不過說起編輯器裡的正則功能,用 JavaScript 實現的編輯器的正則功能還是太弱了,比如不能在正則自身內部開啟某些模式,比如要是在 Sublime(使用 Python 正則)裡的話,在正則內部使用 (?s) 就能開啟 dotall 模式,比如可以用 (?s)/\*.+?\*/ 匹配到所有的多行註釋。

相關文章