JavaScript内核系列 第6章 正则表达式（转载）

原创作者: abruzzi  

 

第六章 正则表达式

正则表达式是对字符串的结构进行的形式化描述，非常简洁优美，而且功能十分强大。很多的语言都不同程度的支持正则表达式，而在很多的文本编辑器如Emacs，vim，UE中，都支持正则表达式来进行字符串的搜索替换工作。UNIX下的很多命令行程序，如awk，grep，find更是对正则表达式有良好的支持。

JavaScript同样也对正则表达式有很好的支持，RegExp是JavaScript中的内置“类”，通过使用RegExp，用户可以自己定义模式来对字符串进行匹配。而JavaScript中的String对象的replace方法也支持使用正则表达式对串进行匹配，一旦匹配，还可以通过调用预设的回调函数来进行替换。

正则表达式的用途十分广泛，比如在客户端的JavaScript环境中的用户输入验证，判断用户输入的身份证号码是否合法，邮件地址是否合法等。另外，正则表达式可用于查找替换工作，首先应该关注的是正则表达式的基本概念。

关于正则表达式的完整内容完全是另外一个主题了，事实上，已经有很多本专著来解释这个主题，限于篇幅，我们在这里只关注JavaScript中的正则表达式对象。

6.1正则表达式基础概念

本节讨论正则表达式中的基本概念，这些基本概念在很多的正则表达式实现中是一致的，当然，细节方面可能会有所不同，毕竟正则表达式是来源于数学定义的，而不是程序员。JavaScriipt的正则表达式对象实现了perl正则表达式规范的一个子集，如果你对perl比较熟悉的话，可以跳过这个小节。脚本语言perl的正则表达式规范是目前广泛采用的一个规范，Java中的regex包就是一个很好的例子，另外，如vim这样的应用程序中，也采用了该规范。

6.1.1 元字符与特殊字符

元字符，是一些数学符号，在正则表达式中有特定的含义，而不仅仅表示其“字面”上的含义，比如星号(*)，表示一个集合的零到多次重复，而问号(?)表示零次或一次。如果你需要使用元字符的字面意义，则需要转义。

下面是一张元字符的表：

 

元字符	含义
^	串的开始
$	串的结束
*	零到多次匹配
+	一到多次匹配
?	零或一次匹配
\b	单词边界

 

特殊字符，主要是指注入空格，制表符，其他进制(十进制之外的编码方式)等，它们的特点是以转义字符(\)为前导。如果需要引用这些特殊字符的字面意义，同样需要转义。

下面为转移字符的一张表：

 

字符	含义
字符本身	匹配字符本身
\r	匹配回车
\n	匹配换行
\t	制表符
\f	换页
\x#	匹配十六进制数
\cX	匹配控制字符

 

6.1.2 范围及重复

         我们经常会遇到要描述一个范围的例子，比如，从0到3的数字，所有的英文字母，包含数字，英文字母以及下划线等等，正则表达式规定了如何表示范围：

标志符	含义
[…]	在集合中的任一个字符
[^…]	不在集合中的任一个字符
.	出\n之外的任一个字符
\w	所有的单字，包括字母，数字及下划线
\W	不包括所有的单字，\w的补集
\s	所有的空白字符，包括空格，制表符
\S	所有的非空白字符
\d	所有的数字
\D	所有的非数字
\b	退格字符

 

结合元字符和范围，我们可以定义出很强大的模式来，比如，一个简化版的匹配Email的正则表达是为：

 

 

Js代码

var emailval = /^[\w-]+(\.[\w-]+)*@[\w-]+(\.[\w-]+)+$/; emailval.test("kmustlinux@hotmail.com");//trueemailval.test("john.abruzzi@pl.kunming.china");//trueemailval.test("@invalid.com");//false,不合法

 

[\w-]表示所有的字符，数字，下划线及减号，[\w-]+表示这个集合最少重复一次，然后紧接着的这个括号表示一个分组(分组的概念参看下一节)，这个分组的修饰符为星号(*)，表示重复零或多次。这样就可以匹配任意字母，数字，下划线及中划线的集合，且至少重复一次。

而@符号之后的部分与前半部分唯一不同的是，后边的一个分组的修饰符为(+)，表示至少重复一次，那就意味着后半部分至少会有一个点号(.)，而且点号之后至少有一个字符。这个修饰主要是用来限制输入串中必须包含域名。

最后，脱字符(^)和美元符号($)限制，以……开始，且以……结束。这样，整个表达式的意义就很明显了。

再来看一个例子：在C/Java中，变量命名的规则为：以字母或下划线开头，变量中可以包含数字，字母以及下划线(有可能还会规定长度，我们在下一节讨论)。这个规则描述成正则表达式即为下列的定义：

 

 

Js代码

var variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello"));print(variable.test("world"));print(variable.test("_main_"));print(variable.test("0871"));

 

将会打印：

 

 

true
true
true
false

 

 

前三个测试字符均为合法，而最后一个是数字开头，因此为非法。

通过加推导(+)，星推导(*)，以及谓词，我们可以灵活的对范围进行重复，但是我们仍然需要一种机制来提供诸如4位数字，最多10个字符等这样的精确的重复方式。这就需要用到下表中的标记：

标记	含义
{n}	重复n次
{n,}	重复n或更多次
{n,m}	重复至少n次，至多m次

 

有了精确的重复方式，我们就可以来表达如身份证号码，电话号码这样的表达式，而不用担心出做，比如：

 

Js代码

var pid = /\d{15}|\d{18}/;//身份证
var mphone = /\d{11}/;//手机号码
var phone = /\d{3,4}-\d{7,8}/;//电话号码

mphone.test("13893939392");//true
phone.test("010-99392333");//true
phone.test("0771-3993923");//true

var pid = /\d{15}|\d{18}/;//身份证var mphone = /\d{11}/;//手机号码var phone = /\d{3,4}-\d{7,8}/;//电话号码 mphone.test("13893939392");//truephone.test("010-99392333");//truephone.test("0771-3993923");//true

 

6.1.3 分组与引用

在正则表达式中，括号是一个比较特殊的操作符，它可以有三中作用，这三种都是比较常见的：

第一种情况，括号用来将子表达式标记起来，以区别于其他表达式，比如很多的命令行程序都提供帮助命令，键入h和键入help的意义是一样的，那么就会有这样的表达式：

 

 

h(elp)?//字符h之后的elp可有可无

 

 

这里的括号仅仅为了将elp自表达式与整个表达是隔离(因为h是必选的)。

         第二种情况，括号用来分组，当正则表达式执行完成之后，与之匹配的文本将会按照规则填入各个分组，比如，某个数据库的主键是这样的格式：四个字符表示省份，然后是四个数字表示区号，然后是两位字符表示区县，如yunn0871cg表示云南省昆明市呈贡县(当然，看起来的确很怪，只是举个例子)，我们关心的是区号和区县的两位字符代码，怎么分离出来呢？

 

Js代码

var pattern = /\w{4}(\d{4})(\w{2})/;var result = pattern.exec("yunn0871cg");print("city code = "+result[1]+", county code = "+result[2]);result = pattern.exec("shax0917cc");print("city code = "+result[1]+", county code = "+result[2]);

 

 

正则表达式的exec方法会返回一个数组(如果匹配成功的话)，数组的第一个元素(下标为0)表示整个串，第一个元素为第一个分组，第二个元素为第二个分组，以此类推。因此上例的执行结果即为：

 

 写道city code = 0871, county code = cg
city code = 0917, county code = cc 

         第三种情况，括号用来对引用起辅助作用，即在同一个表达式中，后边的式子可以引用前边匹配的文本，我们来看一个非常常见的例子：我们在设计一个新的语言，这个语言中有字符串类型的数据，与其他的程序设计语言并无二致，比如：

 

 

Js代码

var str = "hello, world";var str = 'fair enough';

 

 

均为合法字符，我们可能会设计出这样的表达式来匹配该声明：

 

 

Js代码

var pattern = /['"][^'"]*['"]/;

 

看来没有什么问题，但是如果用户输入：

 

 

Js代码

var str = 'hello, world";var str = "hello, world';

 

我们的正则表达式还是可以匹配，注意这两个字符串两侧的引号不匹配！我们需要的是，前边是单引号，则后边同样是单引号，反之亦然。因此，我们需要知道前边匹配的到底是“单”还是“双”。这里就需要用到引用，JavaScript中的引用使用斜杠加数字来表示，如\1表示第一个分组(括号中的规则匹配的文本)，\2表示第二个分组，以此类推。因此我们就设计出了这样的表达式：

 

 

Js代码

var pattern = /(['"])[^'"]*\1/;

 

在我们新设计的这个语言中，为了某种原因，在单引号中我们不允许出现双引号，同样，在双引号中也不允许出现单引号，我们可以稍作修改即可完成：

 

 

Js代码

var pattern = /(['"])[^\1]*\1/;

 

这样，我们的语言中对于字符串的处理就完善了。

6.2 使用正则表达式

创建一个正则表达式有两种方式，一种是借助RegExp对象来创建，另一种方式是使用正则表达式字面量来创建。在JavaScript内部的其他对象中，也有对正则表达式的支持，比如String对象的replace，match等。我们可以分别来看：

6.2.1 创建正则表达式

使用字面量：

 

Js代码

var regex = /pattern/;

var regex = /pattern/;

使用RegExp对象：

 

Js代码

var regex = new RegExp("pattern", switchs);

 

而正则表达式的一般形式描述为：

 

Js代码

var regex = /pattern/[switchs];

 

这里的开关(switchs)有以下三种：

 

修饰符	描述
i	忽略大小写开关
g	全局搜索开关
m	多行搜索开关(重定义^与$的意义)

 

比如，/java/i 就可以匹配java/Java/JAVA，而/java/则不可。而g开关用来匹配整个串中所有出现的子模式，如/java/g匹配”javascript&java”中的两个”java”。而m开关定义是否多行搜索，比如：

 

 

Js代码

var pattern = /^javascript/;print(pattern.test("java\njavascript"));//falsepattern = /^javascript/m;print(pattern.test("java\njavascript"));//true

 

RegExp对象的方法：

方法名	描述
test()	测试模式是否匹配
exec()	对串进行匹配
compile()	编译正则表达式

 

RegExp对象的test方法用于检测字符串中是否具有匹配的模式，而不关心匹配的结果，通常用于测试，如上边提到的例子：

 

Js代码

var variable = /[a-zA-Z_][a-zA-Z0-9_]*/; print(variable.test("hello"));//trueprint(variable.test("world"));//trueprint(variable.test("_main_"));//trueprint(variable.test("0871"));//false

 

而exec则通过匹配，返回需要分组的信息，在分组及引用小节中我们已经做过讨论，而compile方法用来改变表达式的模式，这个过程与重新声明一个正则表达式对象的作用相同，在此不作深入讨论。

6.2.2 String中的正则表达式

除了正则表达式对象及字面量外，String对象中也有多个方法支持正则表达式操作，我们来通过例子讨论这些方法：

 

方法	作用
match	匹配正则表达式，返回匹配数组
replace	替换
split	分割
search	查找，返回首次发现的位置

 

 

Js代码

var str = "life is very much like a mirror.";var result = str.match(/is|a/g);print(result);//返回[“is”, “a”]

 

这个例子通过String的match来匹配str对象，得到返回值为[“is”, “a”]的一个数组。

 

 

Js代码

var str = "<span>Welcome, John</span>";var result = str.replace(/span/g, "div");print(str);print(result);

 

得到结果：

 

 

Html代码

<span>Welcome, John</span>
<div>Welcome, John</div>

<span>Welcome, John</span><div>Welcome, John</div>

 

 

也就是说，replace方法不会影响原始字符串，而将新的串作为返回值。如果我们在替换过程中，需要对匹配的组进行引用(正如之前的\1,\2方式那样)，需要怎么做呢？还是上边这个例子，我们要在替换的过程中，将Welcome和John两个单词调换顺序，编程John, Welcome：

 

 

Js代码

var result = str.replace(/(\w+),\s(\w+)/g, "$2, $1");print(result);

 

可以得到这样的结果：

 

 

Html代码

<span>John, Welcome</span>

<span>John, Welcome</span>

 

 

因此，我们可以通过$n来对第n个分组进行引用。

 

Js代码

var str = "john : tomorrow        :remove:file";var result = str.split(/\s*:\s*/);print(str);print(result);

 

得到结果：

 

 

john : tomorrow :remove:file
john,tomorrow,remove,file

 

 

注意此处split方法的返回值result是一个数组。其中包含了4个元素。

 

 

Js代码

var str = "Tomorrow is another day";var index = str.search(/another/);print(index);//12

 

search方法会返回查找到的文本在模式中的位置，如果查找不到，返回-1。

6.3 实例：JSFilter

本小节提供一个实例，用以展示在实际应用中正则表达式的用途，当然，一个例子不可能涵盖所有的内容，只是一个最常见的场景。

         考虑这样一种情况，我们在UI上为用户提供一种快速搜索的能力，使得随着用户的键入，结果集不断的减少，直到用户找到自己需要的关键字对应的栏目。在这个过程中，用户可以选择是否区分大小写，是否全词匹配，以及高亮一个记录中的所有匹配。

         显然，正则表达式可以满足这个需求，我们在这个例子中忽略掉诸如高亮，刷新结果集等部分，来看看正则表达式在实际中的应用：

 

图1 在列表中使用JSFilter(结果集随用户输入而变化)

 

来看一个代码片段：

 

 

Js代码

this.content.each(function(){    var text = $(this).text();    var pattern = new RegExp(keyword, reopts);    if(pattern.test(text)){       var item = text.replace(pattern, function(t){           return "<span class=\""+filterOptions.highlight+"\">"+t+"</span>";       });       $(this).html(item).show();    }else{//clear previous search result       $(this).find("span."+filterOptions.highlight).each(function(){           $(this).replaceWith($(this).text());       });    }});

 

其中，content是结果集，是一个集合，其中的每一个项目都可能包含用户输入的关键字，keyword是用户输入的关键字序列，而reopts为正则表达式的选项，可能为(i,g,m)，each是jQuery中的遍历集合的方式，非常方便。程序的流程是这样的：

 

l  进入循环，取得结果集中的一个值作为当前值

l  使用正则表达式对象的test方法进行测试

l  如果测试通过，则高亮标注记录中的关键字

l  否则跳过，进行下一条的检测

 

遍历完所有的结果集，生成了一个新的，高亮标注的结果集，然后将其呈现给用户。而且可以很好的适应用户的需求，比如是否忽略大小写检查，是否高亮所有，是否全词匹配，如果自行编写程序进行分析，则需要耗费极大的时间和精力。

 

 

图2 在表格中使用JSFilter(不减少结果集)

 

这个例子来源于一个实际的项目，我对其进行了适度的简化，完整的代码可以参考附件。