正则表达式学习笔记

这两天事情比较少一点，看了lxcnn(过客)博客里的正则表达式，顺便做个笔记吧。老了，还是记下来比较好。

首先，要看一下NFA引擎匹配原理，了解原理是很重要的

[ ] 字符组(Character Classes)

[]能够匹配所包含的一系列字符中的任意一个。需要注意的是，[]虽然能匹配其中的任意一个字符，但匹配的结果只能是一个字符，不是多个。

因为[]本身表示的就是字符之间“或”的关系，因此在[]中使用“|”来表示“或”的关系是错误的。

[^ ]表示匹配任意一个未列举的字符，同样的，匹配的结果也只能是一个字符。

/b在字符组外表示单词边界，但是在字符组内[/b]表示退格符

正则基础之——捕获组（capture group）

什么是捕获组？

捕获组就是把正则表达式中子表达式匹配的内容，保存到内存中以数字编号或显式命名的组里，方便后面引用。当然，这种引用既可以是在正则表达式内部，也可以是在正则表达式外部。

捕获组有两种形式，一种是普通捕获组，另一种是命名捕获组，通常所说的捕获组指的是普通捕获组。语法如下：

普通捕获组： (Expression)

命名捕获组： (?<name>Expression)

普通捕获组在大多数支持正则表达式的语言或工具中都是支持的，而命名捕获组目前只有.NET、PHP、Python等部分语言支持。
上面给出的命名捕获组的语法是.NET中的语法，另外在.NET中使用(?’name’Expression)与使用(?<name>Expression)是等价的。在PHP和Python中命名捕获组语法为：(?P<name>Expression)。

除(Expression)和(?<name>Expression)语法外，其它的(?...)语法都不是捕获组。

捕获组编号规则

编号规则指的是以数字为捕获组进行编号的规则，在普通捕获组或命名捕获组单独出现的正则表达式中，编号规则比较清晰，在普通捕获组与命名捕获组混合出现的正则表达式中，捕获组的编号规则稍显复杂。

需要说明的是，编号为0的捕获组，指的是正则表达式整体，这一规则在支持捕获组的语言中，基本上都是适用的。

如果没有显式为捕获组命名，即没有使用命名捕获组，那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下，捕获组的编号是按照“(”出现的顺序，从左到右，从1开始进行编号的。

正则表达式：(/d{4})-(/d{2}-(/d/d)) ，捕获组：

编号0：(/d{4})-(/d{2}-(/d/d))；编号1：(/d{4})；编号2：(/d{2}-(/d/d))；编号3：(/d/d)。

命名捕获组编号规则，如果需要的话，可以用命名引用，编号规则不详列，请参考过客的博客。

捕获组的引用

对捕获组的引用一般有以下几种：
1)       正则表达式中，对前面捕获组捕获的内容进行引用，称为反向引用；
2)       正则表达式中，(?(name)yes|no)的条件判断结构；
3)       在程序中，对捕获组捕获内容的引用。

反向引用

捕获组捕获到的内容，不仅可以在正则表达式外部通过程序进行引用，也可以在正则表达式内部进行引用，这种引用方式就是反向引用。
反向引用的作用通常是用来查找或限定重复，限定指定标识配对出现等等。
对于普通捕获组和命名捕获组的引用，语法如下：
普通捕获组反向引用：/k<number> ，通常简写为/number
命名捕获组反向引用：/k<name>或者/k'name'
普通捕获组反向引用中number是十进制的数字，即捕获组的编号；命名捕获组反向引用中的name为命名捕获组的组名。

条件判断表达式

参见： .NET正则基础之——平衡组

程序中引用

JavaScript中的引用

由于JavaScript中不支持命名捕获组，所以对于捕获组的引用就只支持普通捕获组的反向引用和$number方式的引用。程序中的引用一般在替换和匹配时使用。

1)         在Replace中引用，通常是通过$number方式引用。

<textarea id="result" rows="10" cols="100"></textarea>

<script type="text/javascript">

var data = "<table id=/"test/"><tr class=/"light/"><td> test </td></tr></table>";

var reg = /<([a-z]+)[^>]*>/ig;

document.getElementById("result").value = data.replace(reg, "<$1>");

</script>

 

//输出<table><tr><td> test </td></tr></table>

2)         在匹配时的引用，通常通过RegExp.$number方式引用。

举例：同时获取<img…>中的src和name属性值，属性的顺序不固定。参考 一条正则能不能同时取出一个img标记的src和name?

<textarea id="result" rows="10" cols="100"></textarea>
<mce:script type="text/javascript"><!-- var data = [' <img alt="" border="0" name="g6-o44-1" onload="DrawImage" src="/bmp/foo1.jpg" mce_src="bmp/foo1.jpg" />', ' <img src="/bmp/foo2.jpg" mce_src="bmp/foo2.jpg" alt="" border="0" name="g6-o44-2" onload="DrawImage" />'] ; var reg = /<img/b(?=(?:(?!name=).)*name=(['"]?)([^'"/s>]+)/1)(?:(?!src=).)*src=(['"]?)([^'"/s>]+)/3[^>]*>/i; for(var i=0;i<data.length;i++) { var s = data[i]; document.getElementById("result").value += "源字符串：" + s + "/n"; document.write("<br />"); if(reg.test(s)) { document.getElementById("result").value += "name: " + RegExp.$2 + "/n"; document.getElementById("result").value += "src: " + RegExp.$4 + "/n"; } } // --></mce:script>       

.NET中的引用

由于.NET支持命名捕获组，所以在.NET中的引用方式会多一些。通常也是在两种场景下应用，一是替换，一是匹配。

1)         替换中的引用

普通捕获组：$number

命名捕获组：${name}

替换中应用，仍是上面的例子。

举例：替换掉html标签中的属性。使用普通捕获组。

string data = "<table id=/"test/"><tr class=/"light/"><td> test </td></tr></table>"; richTextBox2.Text = Regex.Replace(data, @"(?i)<([a-z]+)[^>]*>", "<$1>");

//输出<table><tr><td> test </td></tr></table>

使用命名捕获组。

string data = "<table id=/"test/"><tr class=/"light/"><td> test </td></tr></table>"; richTextBox2.Text = Regex.Replace(data, @"(?i)<(?<tag>[a-z]+)[^>]*>", "<${tag}>");

//输出<table><tr><td> test </td></tr></table>

2)         匹配后的引用

对于匹配结果中捕获组捕获内容的引用，可以通过Groups和Result对象进行引用。

string test = "<a href="/" mce_href="/""http://www.csdn.net/">CSDN</a>"; Regex reg = new Regex(@"(?is)<a(?:(?!href=).)*href=(['""]?)(?<url>[^""'/s>]*)/1[^>]*>(?<text>(?:(?!</a>).)*)</a>"); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += "m.Value：".PadRight(25) + m.Value + "/n"; richTextBox2.Text += "m.Result(/"$0/")：".PadRight(25) + m.Result("$0") + "/n"; richTextBox2.Text += "m.Groups[0].Value：".PadRight(25) + m.Groups[0].Value + "/n"; richTextBox2.Text += "m.Result(/"$2/")：".PadRight(25) + m.Result("$2") + "/n"; richTextBox2.Text += "m.Groups[2].Value：".PadRight(25) + m.Groups[2].Value + "/n"; richTextBox2.Text += "m.Result(/"${url}/")：".PadRight(25) + m.Result("${url}") + "/n"; richTextBox2.Text += "m.Groups[/"url/"].Value：".PadRight(25) + m.Groups["url"].Value + "/n"; richTextBox2.Text += "m.Result(/"$3/")：".PadRight(25) + m.Result("$3") + "/n"; richTextBox2.Text += "m.Groups[3].Value：".PadRight(25) + m.Groups[3].Value + "/n"; richTextBox2.Text += "m.Result(/"${text}/")：".PadRight(25) + m.Result("${text}") + "/n"; richTextBox2.Text += "m.Groups[/"text/"].Value：".PadRight(25) + m.Groups["text"].Value + "/n"; }

对于捕获组0的引用，可以简写作m.Value。 

环视(Lookaround) 

环视只进行子表达式的匹配，不占有字符，匹配到的内容不保存到最终的匹配结果，是零宽度的。环视匹配的最终结果就是一个位置。

环视的作用相当于对所在位置加了一个附加条件，只有满足这个条件，环视子表达式才能匹配成功。

环视按照方向划分有顺序和逆序两种，按照是否匹配有肯定和否定两种，组合起来就有四种环视。顺序环视相当于在当前位置右侧附加一个条件，而逆序环视相当于在当前位置左侧附加一个条件。

表达式	说明
(?<=Expression)	逆序肯定环视，表示所在位置左侧能够匹配Expression
(?<!Expression)	逆序否定环视，表示所在位置左侧不能匹配Expression
(?=Expression)	顺序肯定环视，表示所在位置右侧能够匹配Expression
(?!Expression)	顺序否定环视，表示所在位置右侧不能匹配Expression

 目前只有.NET中支持不确定长度的逆序环视。