正则之反向引用

前言

某日在逛stackoverflow时，发现侧边栏的Hot Network Questions里有一例codegolf的问题Does it repeat?。

挑战

好奇之下点入观看，该题主的挑战如下：

当一条字符串中含有2（组/个）连续的字符时，该字符串可以称之为“连续的字符串”。
例：2034384538452可以成为“连续的字符串”，因为其含有2次连续的3845。
请找出能够判断“连续的字符串”的方法，输入可以用字符串或数组，输入不能为空，并且字符串长度必须大于等于1。
题主使用1与0来区分true和false，挑战者也可以使用其他不同的值来区分true/false。

abcab -> 0
bdefdefg -> 1
Hello, World! -> 1
pp.pp/pp -> 1
q -> 0
21020121012021020120210121020121012021012102012021020121012021020120210121020120210201210120210121020121012021020120210121020121012021012102012021020121012021012102012101202102012021012102012021020121012021020120210121020121012021012102012021020121012021020120210121020120210201210120210121020121012021020120210121020120210201210120210201202101210201210120210121020120210201210120210121020121012021020120210121020121012021012102012021020121012021020120210121020120210201210120210121020121012021020120 -> 0

解法

所有答者中，大部分常用编程语言的答者都使用正则进行判断，例如：
PHP的解法

<?=preg_match('#(.+)1#',$argn);

Python的解法

import re
re.compile(r'(.+)1').search

JavaScript的解法

s=>/(.+)1/.test(s)

Java的解法

a->a.matches(".*(.+)\1.*")

虽然也有使用循环对比来解答的，但这不是我的关注点。

所有正则的解法中，归根结底就是6个字符(.+)1
.+和()的意思好理解，毕竟是常用的。1虽然能猜到用途，但是无论如何想不起来是干啥的，进入查询模式。

反向引用（backreference）

根据揭开正则表达式的神秘面纱一文，发现原来正则除了贪婪和非贪婪外还有名为“反向引用”的高级规则。

表达式在匹配时，表达式引擎会将小括号 “( )” 包含的表达式所匹配到的字符串记录下来。在获取匹配结果的时候，小括号包含的表达式所匹配到的字符串可以单独获取。

“1” 引用第1对括号内匹配到的字符串，”2” 引用第2对括号内匹配到的字符串……以此类推。
如果一对括号内包含另一对括号，则外层的括号先排序号。换句话说，哪一对的左括号 “(“ 在前，那这一对为先。

在正则(.+)1中，1等于(.+)中匹配到的值，也就是连续2次相同的值。

尝试

使用Python进行快速尝试

def fa(regex,subject):
return re.findall(regex,subject);

匹配出3连的连续字符串

fa(r'(.+)11','d123123123e');
#['123']
 
fa(r'(.+)11','d112233e');
#[]
 
#或
fa(r'((.+))12','d123123123e');
#['123']

匹配出html标签内的文字

fa(r'.*<(.+).*?>(.*)</1>.*','asdwas<td>ssd</td>sdasdd');
#[('td', 'ssd')]
 
fa(r'.*<(.+).*?(?:href="(.*?)".*?)?>(.*)</1>.*','asdwas<a href="/a/b">find more</a>sda');
#[('a', '/a/b','find more')]
 
fa(r'.*<(.+).*?(?:href="(.*?)".*?)?>(.*)</1>.*','asdwas<a title="c" href="/a/b" class="on">find more</a>sda');
#[('a', '/a/b', 'find more')]

总结

反向匹配在业务代码中能用的地方不是很多，假如是纯粹去掉html标签的话，php有strip_tags，python也有对应的stripogram包，简略用法看这里。
多学一点，在leetcode或codewars这类的刷题网站里以最少的代码量达到要求也能有成就感。
在这里挂个我的codewars肩章，欢迎一起来玩儿。

Reference

Does it repeat? - CodeGolf
揭开正则表达式的神秘面纱 - regexlab

备注：本文发布于2017-06-14，我github page的原文地址。