[正则表达式]难点和误区

1.语言的转义

正则表达式一般通过语言的字符串字面量传达给正则表达式引擎，所以在到达真正的表达式引擎时，表达式还会通过一层语言本身的字符串字面量转义。

比如PHP中，需要匹配反斜杠\则需要在字面量中输入4个反斜杠，其中两个反斜杠实际的转义意义发生在PHP本身对字符串字面量处理的层面上，最终到表达式引擎收到的表达式是[\\]。

$match = array();
preg_match('/[\\\\]/', 'aaa\aaa', $match);
var_dump($match);

 2.十六进制代码点的转义

以ASCII为例，通常字符组都会支持如[\x00-\xff]这样的十六进制代码点转义，意思是匹配编码为00到ff的ASCII字符。

Unicode特殊一些，由于Unicode的编码范围超过FF，这个时候就需要用到多字节代码点，不过不同语言的支持程度有点不一样，详情需要参考《精通正则表达式（第三版）》118页。

就PHP而言，preg包支持\xF，\xFF，\x{F...}的单字，双字，多字的转义方法，如果需要支持Unicode，则需要在u模式下，比如：

$match = array();
preg_match_all('/[\xa\xd]/u', "\n", $match);
var_dump($match);

$match = array();
preg_match_all('/[\x{2460}\x{2462}]/u', '①②③', $match);
var_dump($match);

$match = array();
preg_match_all('/[\x{1f34b}-\x{1f34c}]/u', "zß\u6c34\xf0\x9f\x8d\x8c", $match);
var_dump($match);

而对于Javascript，则支持\xFF，\uFFFF的双字，四字的转义方法，而且\uFFFF表明正则运行在Unicode模式，不需要额外指明u模式，比如：

var patt=new RegExp("[\x0a\x0d]","g");
var str="\n";
while ((result = patt.exec(str)) != null)  {
    console.log(result);
}

var patt=new RegExp("[\u2460-\u2463]","g");
var str="①②③";
while ((result = patt.exec(str)) != null)  {
    console.log(result);
}

 

①②③