正则表达式（二）

2016-04-07 20:21:01

 

负向零宽断言

前面我们提到过反义\W、\S等，就是查找不是某个字符或不在某个字符类里的字符的方法。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？

例如，如果我们想查找这样的单词--它里面出现了字母q、但是q后面跟的不是字母u,我们可以尝试这样：

\b\w*q[^u]\w*\b

用来匹配包含后面不是字母u的包含字母q的单词。但是如果多做测试，就会发现，如果q出现在单词的结尾的话，像Iraq、Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是逗号、句号或其它的什么)，再后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting，而不是单独的Iraq。

负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)，匹配三位数字，而且这三位数字的后面不能是数字；

零宽度负回顾后发断言(?<!exp)，来断言此位置的前面不能匹配表达式exp。例如：(?<![a-z])\d{7}匹配七位数字，而这七位数字的前面不能是a-z的字母。

运算符优先级

正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。

相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

运算符                                  描述

\                                         转义符

(), (?:), (?=), []                     圆括号和方括号

*, +, ?, {n}, {n,}, {n,m}         限定符

^, $, \任何元字符、任何字符       定位点和序列（即：位置和顺序）

|                                         替换，"或"操作

字符具有高于替换运算符的优先级，使得"m|food"匹配"m"或"food"。若要匹配"mood"或"food"，请使用括号创建子表达式，从而产生"(m|f)ood"。

注释

小括号的另一种用途是通过语法(?#comment)来包含注释。例如：2[0-4]\d(?#200-249)|25[0-5](?#250-255)|[01]?\d\d?(?#0-199)。

要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格、Tab、换行，而实际使用时这些都将被忽略。启用这个选项后，在#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：

      (?<=    # 断言要匹配的文本的前缀

      <(\w+)> # 查找尖括号括起来的字母或数字(即HTML/XML标签)

      )       # 前缀结束

      .*      # 匹配任意文本

      (?=     # 断言要匹配的文本的后缀

      <\/\1>  # 查找尖括号括起来的内容：前面是一个"/"，后面是匹配先前捕获的标签，即（\w+）

      )       # 后缀结束

          断言和注释

(?=exp)               匹配exp前面的位置

(?<=exp)             匹配exp后面的位置

(?!exp)                匹配后面跟的不是exp的位置

(?<!exp)              匹配前面不是exp的位置

(?#comment)       这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释

贪婪与懒惰

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.*b，它将会匹配最长的以a开始、以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，也是最小匹配。

例子：a.*?b匹配最短的，以a开始、以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。显然，aab一开始就符合正则表达式，会作为匹配的内容。

例子：<H1>Chapter 1 – Introduction to Regular Expressions</H1>

<.*>匹配内容：<H1>Chapter 1 – Introduction to Regular Expressions</H1>，会一直匹配到最后方的>。

<.*?>匹配内容： <H1>和</H1>

    懒惰限定符

代码/语法          说明

*?                   重复任意次，但尽可能少重复

+?                   重复1次或更多次，但尽可能少重复

??                    重复0次或1次，但尽可能少重复

{n,m}?             重复n到m次，但尽可能少重复

{n,}?               重复n次以上，但尽可能少重复

处理选项

在C#中，你可以使用Regex(String, RegexOptions)构造函数来设置正则表达式的处理选项。如：Regex regex = new Regex(@"\ba\w{6}\b", RegexOptions.IgnoreCase);

上面介绍了几个选项如忽略大小写、处理多行等，这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项：

      常用的处理选项

名称                                              说明

IgnoreCase(忽略大小写)                    匹配时不区分大小写。

Multiline(多行模式)                           更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下，$的精确                                                      含意是: 匹配\n之前的位置以及字符串结束前的位置；^的精确含意是:匹配\n之后的位置以及字符串开始后的位置)

Singleline(单行模式)                          更改.的含义，使它与每一个字符匹配（包括换行符\n）。

IgnorePatternWhitespace(忽略空白)    忽略表达式中的非转义空白并启用由#标记的注释。

ExplicitCapture(显式捕获)                  仅捕获已被显式命名的组。

一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。

这两个选项之间没有任何关系，除了它们的名字刚好是单行、多行意思，很多人就会从字面理解里面得出错误结论。其实这2个修饰符都只是修改正则表达式的元字符的匹配范围，单行模式修改.的，多行模式修改^和$的。

平衡组/递归匹配

这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。

有时我们需要匹配像( 100 * ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用\(.+\)（中间有一个或多个非换行字符，甚至可以是单括号，因为.也匹配耽搁括号）则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，符合\(.+\)，在贪婪模式下我们的匹配结果里左右单括号的个数也不会相等。有没有办法在这样的字符串里匹配到最长的、同时又配对的括号之间的内容呢？

小括号通常与分组相关，\(又涉及到转义，为了避免(和\(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

我们需要做的是每碰到了左括号，就压入一个"group"，每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配。

<                         #最外层的左括号

    [^<>]*                #最外层的左括号后面的内容不包含尖号<>

    (

        (

            (?'group'<)    #碰到了左括号，把捕获的内容命名为group，并压入堆栈(Stack)，这是用到了前面提及的组名指定

            [^<>]*       #匹配左括号后面的不包含<和>的内容

        )+

        (

            (?'-group'>)   #碰到了右括号，从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

            [^<>]*        #匹配右括号后面不包含<和>的内容

        )+

    )*

  (?(group)(?!))  #在遇到最外层的右括号前面，判断堆栈中还有没有名为group的内容；由于(?!)没有后缀表达式，名为group的内容不应该存在了，如果还有的话，则匹配失败

>                         #最外层的右括号

平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签：

<div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>

匹配例子：

<div aaa>
      bbb
        <div ccc> 
             ddd
              <div eee> fff  </div>        
             ggg
         </div>
       hhh
</div>

其他

注意：

(?(exp)yes|no)            把exp当作零宽正向先行断言，如果在这个位置能匹配，使用yes部分的表达式作为此组的表达式；否则使用no部分的表达式

(?(exp)yes)                 同上，只是使用空表达式作为no

(?(name)yes|no)          如果命名为name的组捕获到了内容，使用yes部分的表达式作为此组的表达式；否则使用no部分的表达式

(?(name)yes)               同上，只是使用空表达式作为no

例子：(?’group’123)(?’group’456)(?’-group’)(?(group)1|2)，这个表达式含义就是如果堆栈中还有数据就匹配1，否则就匹配2。

正则表达式的语法很令人头疼，即使对经常使用它的人来说也是如此。由于难于读写，容易出错，所以可以找一种工具对正则表达式进行测试，如RegexBuddy，RegexTest，RegExBuilder等。