深入淺出之正規表示式（二）[@more@]From: http://dragon.cnblogs.com/archive/2006/05/09/394923.html

前言：
本文是前一片文章《深入淺出之正規表示式（一）》的續篇，在本文中講述了正規表示式中的組與向後引用，先前向後檢視，條件測試，單詞邊界，選擇符等表示式及例子，並分析了正則引擎在執行匹配時的內部機理。
本文是Jan Goyvaerts為RegexBuddy寫的教程的譯文，版權歸原作者所有，歡迎轉載。但是為了尊重原作者和譯者的勞動，請註明出處！謝謝！

9. 單詞邊界

元字元<>也是一種對位置進行匹配的“錨”。這種匹配是0長度匹配。

有4種位置被認為是“單詞邊界”：

1) 在字串的第一個字元前的位置(如果字串的第一個字元是一個“單詞字元”)

2) 在字串的最後一個字元後的位置(如果字串的最後一個字元是一個“單詞字元”)

3) 在一個“單詞字元”和“非單詞字元”之間，其中“非單詞字元”緊跟在“單詞字元”之後

4) 在一個“非單詞字元”和“單詞字元”之間，其中“單詞字元”緊跟在“非單詞字元”後面

“單詞字元”是可以用“w”匹配的字元，“非單詞字元”是可以用“W”匹配的字元。在大多數的正規表示式實現中，“單詞字元”通常包括<>。

例如：<>能夠匹配單個的4而不是一個更大數的一部分。這個正規表示式不會匹配“44”中的4。

換種說法，幾乎可以說<>匹配一個“字母數字序列”的開始和結束的位置。

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

· 深入正規表示式引擎內部

讓我們看看把正規表示式<>應用到字串“This island is beautiful”。引擎先處理符號<>。因為b是0長度，所以第一個字元T前面的位置會被考察。因為T是一個“單詞字元”，而它前面的字元是一個空字元(void)，所以b匹配了單詞邊界。接著< >和第一個字元“T”匹配失敗。匹配過程繼續進行，直到第五個空格符，和第四個字元“s”之間又匹配了<< b>>。然而空格符和<>不匹配。繼續向後，到了第六個字元“i”，和第五個空格字元之間匹配了< >，然後<>和第六、第七個字元都匹配了。然而第八個字元和第二個“單詞邊界”不匹配，所以匹配又失敗了。到了第13個字元i，因為和前面一個空格符形成“單詞邊界”，同時<>和“is”匹配。引擎接著嘗試匹配第二個<>。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”返回成功匹配的結果。

10. 選擇符

正規表示式中“|”表示選擇。你可以用選擇符匹配多個可能的正規表示式中的一個。

如果你想搜尋文字“cat”或“dog”，你可以用<>。如果你想有更多的選擇，你只要擴充套件列表<>。

選擇符在正規表示式中具有最低的優先順序，也就是說，它告訴引擎要麼匹配選擇符左邊的所有表示式，要麼匹配右邊的所有表示式。你也可以用圓括號來限制選擇符的作用範圍。如<>，這樣告訴正則引擎把(cat|dog)當成一個正規表示式單位來處理。

· 注意正則引擎的“急於表功”性

正則引擎是急切的，當它找到一個有效的匹配時，它會停止搜尋。因此在一定條件下，選擇符兩邊的表示式的順序對結果會有影響。假設你想用正規表示式搜尋一個程式語言的函式列表：Get，GetValue，Set或SetValue。一個明顯的解決方案是<< Get|GetValue|Set|SetValue>>。讓我們看看當搜尋SetValue時的結果。

因為<>和<>都失敗了，而< >匹配成功。因為正則導向的引擎都是“急切”的，所以它會返回第一個成功的匹配，就是“Set”，而不去繼續搜尋是否有其他更好的匹配。

和我們期望的相反，正規表示式並沒有匹配整個字串。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 <>，這樣我們就可以優先搜尋最長的匹配。我們也可以把四個選項結合起來成兩個選項：<>。因為問號重複符是貪婪的，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：<>或< >。更進一步，既然所有的選擇都有相同的結尾，我們可以把正規表示式最佳化為<>。

11. 組與向後引用

把正規表示式的一部分放在圓括號內，你可以將它們形成組。然後你可以對整個組使用一些正則操作，例如重複運算子。

要注意的是，只有圓括號“()”才能用於形成組。“[]”用於定義字符集。“{}”用於定義重複操作。

當用“()”定義了一個正規表示式組後，正則引擎則會把被匹配的組按照順序編號，存入快取。當對被匹配的組進行向後引用的時候，可以用“數字”的方式進行引用。<<1>>引用第一個匹配的後向引用組，<<2>>引用第二個組，以此類推， <>引用第n個組。而<<>>則引用整個被匹配的正規表示式本身。我們看一個例子。

假設你想匹配一個HTML標籤的開始標籤和結束標籤，以及標籤中間的文字。比如This is a test，我們要匹配和以及中間的文字。我們可以用如下正規表示式：“]*>.*?”

首先，“”的字元。最後正規表示式的“>”將會匹配“”的“>”。接下來正則引擎將對結束標籤之前的字元進行惰性匹配，直到遇到一個“”

你可以對相同的後向引用組進行多次引用，<>將匹配“axaxa”、“bxbxb”以及“cxcxc”。如果用數字形式引用的組沒有有效的匹配，則引用到的內容簡單的為空。

一個後向引用不能用於它自身。<>是錯誤的。因此你不能將<<>>用於一個正規表示式匹配本身，它只能用於替換操作中。

後向引用不能用於字符集內部。<>中的<<1>>並不表示後向引用。在字符集內部，<<1>>可以被解釋為八進位制形式的轉碼。

向後引用會降低引擎的速度，因為它需要儲存匹配的組。如果你不需要向後引用，你可以告訴引擎對某個組不儲存。例如：<>。其中“(”後面緊跟的“?:”會告訴引擎對於組(Value)，不儲存匹配的值以供後向引用。

· 重複操作與後向引用

當對組使用重複運算子時，快取裡後向引用內容會被不斷重新整理，只保留最後匹配的內容。例如：<> 將匹配“cab=cab”，但是<>卻不會。因為([abc])第一次匹配“c”時，“1”代表 “c”；然後([abc])會繼續匹配“a”和“b”。最後“1”代表“b”，所以它會匹配“cab=b”。

應用：檢查重複單詞--當編輯文字時，很容易就會輸入重複單詞，例如“the the”。使用<>可以檢測到這些重複單詞。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。

· 組的命名和引用

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

.NET的命名組

.NET framework也支援命名組。不幸的是，微軟的程式設計師們決定發明他們自己的語法，而不是沿用Perl、Python的規則。目前為止，還沒有任何其他的正規表示式實現支援微軟發明的語法。

下面是.NET中的例子：

(?group)(?’second’group)

正如你所看到的，.NET提供兩種詞法來建立命名組：一是用尖括號“<>”，或者用單引號“’’”。尖括號在字串中使用更方便，單引號在ASP程式碼中更有用，因為ASP程式碼中“<>”被用作HTML標籤。

要引用一個命名組，使用k或k’name’.

當進行搜尋替換時，你可以用“${name}”來引用一個命名組。

12. 正規表示式的匹配模式

本教程所討論的正規表示式引擎都支援三種匹配模式：

<>使正規表示式對大小寫不敏感，

<>開啟“單行模式”，即點號“.”匹配新行符

<>開啟“多行模式”，即“^”和“$”匹配新行符的前面和後面的位置。

· 在正規表示式內部開啟或關閉模式

如果你在正規表示式內部插入修飾符(?ism)，則該修飾符只對其右邊的正規表示式起作用。(?-i)是關閉大小寫不敏感。你可以很快的進行測試。<>應該匹配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，字串中的每個欄位間用逗號做分隔符，第12個欄位由P開頭。

我們容易想到這樣的正規表示式<>。這個正規表示式在正常情況下工作的很好。但是在極端情況下，如果第12個欄位不是由P開頭，則會發生災難性的回溯。如要搜尋的字串為“1,2,3,4,5,6,7,8,9,10,11,12,13”。首先，正規表示式一直成功匹配直到第12個字元。這時，前面的正規表示式消耗的字串為“1,2,3,4,5,6,7,8,9,10,11,”，到了下一個字元， <

>並不匹配“12”。所以引擎進行回溯，這時正規表示式消耗的字串為 “1,2,3,4,5,6,7,8,9,10,11”。繼續下一次匹配過程，下一個正則符號為點號<<.>>，可以匹配下一個逗號“,”。然而<>並不匹配字元“12”中的“1”。匹配失敗，繼續回溯。大家可以想象，這樣的回溯組合是個非常大的數量。因此可能會造成引擎崩潰。

用於阻止這樣巨大的回溯有幾種方案：

一種簡單的方案是儘可能的使匹配精確。用取反字符集代替點號。例如我們用如下正規表示式<>，這樣可以使失敗回溯的次數下降到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<正規表示式)> >。位於(?>)之間的所有正規表示式都會被認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規表示式部分。前面的例子用原子組可以表達成<(.*?,){11})P>>。一旦第十二個欄位匹配失敗，引擎回溯到原子組前面的 <>。

14. 向前檢視與向後檢視

Perl 5 引入了兩個強大的正則語法：“向前檢視”和“向後檢視”。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規表示式不消耗被匹配的字串）。不同之處在於“前後檢視”會實際匹配字元，只是他們會拋棄匹配只返回匹配結果：匹配或不匹配。這就是為什麼他們被稱作“斷言”。他們並不實際消耗字串中的字元，而只是斷言一個匹配是否可能。

幾乎本文討論的所有正規表示式的實現都支援“向前向後檢視”。唯一的一個例外是Javascript只支援向前檢視。

· 肯定和否定式的向前檢視

如我們前面提過的一個例子：要查詢一個q，後面沒有緊跟一個u。也就是說，要麼q後面沒有字元，要麼後面的字元不是u。採用否定式向前檢視後的一個解決方案為<>。否定式向前檢視的語法是<>。

肯定式向前檢視和否定式向前檢視很類似：<>。

如果在“檢視的內容”部分有組，也會產生一個向後引用。但是向前檢視本身並不會產生向後引用，也不會被計入向後引用的編號中。這是因為向前檢視本身是會被拋棄掉的，只保留匹配與否的判斷結果。如果你想保留匹配的結果作為向後引用，你可以用<>來產生一個向後引用。

· 肯定和否定式的先後檢視

向後檢視和向前檢視有相同的效果，只是方向相反

否定式向後檢視的語法是：<

肯定式向後檢視的語法是：<>

我們可以看到，和向前檢視相比，多了一個表示方向的左尖括號。

例：<將會匹配一個沒有“a”作前導字元的“b”。

值得注意的是：向前檢視從當前字串位置開始對“檢視”正規表示式進行匹配；向後檢視則從當前字串位置開始先後回溯一個字元，然後再開始對“檢視”正規表示式進行匹配。

· 深入正規表示式引擎內部

讓我們看一個簡單例子。

把正規表示式<>應用到字串“Iraq”。正規表示式的第一個符號是< >。正如我們知道的，引擎在匹配<>以前會掃過整個字串。當第四個字元“q”被匹配後，“q”後面是空字元 (void)。而下一個正則符號是向前檢視。引擎注意到已經進入了一個向前檢視正規表示式部分。下一個正則符號是<>，和空字元不匹配，從而導致向前檢視裡的正規表示式匹配失敗。因為是一個否定式的向前檢視，意味著整個向前檢視結果是成功的。於是匹配結果“q”被返回了。

我們在把相同的正規表示式應用到“quit”。<>匹配了“q”。下一個正則符號是向前檢視部分的<< u>>，它匹配了字串中的第二個字元“i”。引擎繼續走到下個字元“i”。然而引擎這時注意到向前檢視部分已經處理完了，並且向前檢視已經成功。於是引擎拋棄被匹配的字串部分，這將導致引擎回退到字元“u”。

因為向前檢視是否定式的，意味著檢視部分的成功匹配導致了整個向前檢視的失敗，因此引擎不得不進行回溯。最後因為再沒有其他的“q”和<>匹配，所以整個匹配失敗了。

為了確保你能清楚地理解向前檢視的實現，讓我們把<>應用到“quit”。< >首先匹配“q”。然後向前檢視成功匹配“u”，匹配的部分被拋棄，只返回可以匹配的判斷結果。引擎從字元“i”回退到“u”。由於向前檢視成功了，引擎繼續處理下一個正則符號<>。結果發現<>和“u”不匹配。因此匹配失敗了。由於後面沒有其他的“q”，整個正規表示式的匹配失敗了。

· 更進一步理解正規表示式引擎內部機制

讓我們把<>應用到“thingamabob”。引擎開始處理向後檢視部分的正則符號和字串中的第一個字元。在這個例子中，向後檢視告訴正規表示式引擎回退一個字元，然後檢視是否有一個“a”被匹配。因為在“t”前面沒有字元，所以引擎不能回退。因此向後檢視失敗了。引擎繼續走到下一個字元“h”。再一次，引擎暫時回退一個字元並檢查是否有個“a”被匹配。結果發現了一個“t”。向後檢視又失敗了。

向後檢視繼續失敗，直到正規表示式到達了字串中的“m”，於是肯定式的向後檢視被匹配了。因為它是零長度的，字串的當前位置仍然是“m”。下一個正則符號是<>，和“m”匹配失敗。下一個字元是字串中的第二個“a”。引擎向後暫時回退一個字元，並且發現< >不匹配“m”。

在下一個字元是字串中的第一個“b”。引擎暫時性的向後退一個字元發現向後檢視被滿足了，同時<>匹配了“b”。因此整個正規表示式被匹配了。作為結果，正規表示式返回字串中的第一個“b”。

· 向前向後檢視的應用

我們來看這樣一個例子：查詢一個具有6位字元的，含有“cat”的單詞。

首先，我們可以不用向前向後檢視來解決問題，例如：

<< catw{3}|wcatw{2}|w{2}catw|w{3}cat>>

足夠簡單吧！但是當需求變成查詢一個具有6-12位字元，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檢視的方案。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位的字元，二是單詞含有“cat”。

滿足第一個需求的正規表示式為<>。滿足第二個需求的正規表示式為<>。

把兩者結合起來，我們可以得到如下的正規表示式：

<>

具體的匹配過程留給讀者。但是要注意的一點是，向前檢視是不消耗字元的，因此當判斷單詞滿足具有6個字元的條件後，引擎會從開始判斷前的位置繼續對後面的正規表示式進行匹配。

最後作些最佳化，可以得到下面的正規表示式：

<>

15. 正規表示式中的條件測試

條件測試的語法為<>。“if”部分可以是向前向後檢視錶達式。如果用向前檢視，則語法變為：<>，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，向前先後檢視並不實際消耗任何字元，因此後面的then與else部分的匹配時從if測試前的部分開始進行嘗試。

16. 為正規表示式新增註釋

在正規表示式中新增註釋的語法是：<>

例：為用於匹配有效日期的正規表示式新增註釋：

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

本頁網址:

深入淺出之正規表示式（二）

相關文章