[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