前言：
本文是前一片文章《深入淺出之正則表達(dá)式（一）》的續(xù)篇，在本文中講述了正則表達(dá)式中的組與向后引用，先前向后查看，條件測(cè)試，單詞邊界，選擇符等表達(dá)式及例子，并分析了正則引擎在執(zhí)行匹配時(shí)的內(nèi)部機(jī)理。
本文是Jan Goyvaerts為RegexBuddy寫(xiě)的教程的譯文，版權(quán)歸原作者所有，歡迎轉(zhuǎn)載。但是為了尊重原作者和譯者的勞動(dòng)，請(qǐng)注明出處！謝謝！
9. 單詞邊界
元字符<<\b>>也是一種對(duì)位置進(jìn)行匹配的“錨”。這種匹配是0長(zhǎng)度匹配。
有4種位置被認(rèn)為是“單詞邊界”：
1) 在字符串的第一個(gè)字符前的位置(如果字符串的第一個(gè)字符是一個(gè)“單詞字符”)
2) 在字符串的最后一個(gè)字符后的位置(如果字符串的最后一個(gè)字符是一個(gè)“單詞字符”)
3) 在一個(gè)“單詞字符”和“非單詞字符”之間，其中“非單詞字符”緊跟在“單詞字符”之后
4) 在一個(gè)“非單詞字符”和“單詞字符”之間，其中“單詞字符”緊跟在“非單詞字符”后面
“單詞字符”是可以用“\w”匹配的字符，“非單詞字符”是可以用“\W”匹配的字符。在大多數(shù)的正則表達(dá)式實(shí)現(xiàn)中，“單詞字符”通常包括<<[a-zA-Z0-9_]>>。
例如：<<\b4\b>>能夠匹配單個(gè)的4而不是一個(gè)更大數(shù)的一部分。這個(gè)正則表達(dá)式不會(huì)匹配“44”中的4。
換種說(shuō)法，幾乎可以說(shuō)<<\b>>匹配一個(gè)“字母數(shù)字序列”的開(kāi)始和結(jié)束的位置。
“單詞邊界”的取反集為<<\B>>，他要匹配的位置是兩個(gè)“單詞字符”之間或者兩個(gè)“非單詞字符”之間的位置。
· 深入正則表達(dá)式引擎內(nèi)部
讓我們看看把正則表達(dá)式<<\bis\b>>應(yīng)用到字符串“This island is beautiful”。引擎先處理符號(hào)<<\b>>。因?yàn)閈b是0長(zhǎng)度 ，所以第一個(gè)字符T前面的位置會(huì)被考察。因?yàn)門(mén)是一個(gè)“單詞字符”，而它前面的字符是一個(gè)空字符(void)，所以\b匹配了單詞邊界。接著<<i>>和第一個(gè)字符“T”匹配失敗。匹配過(guò)程繼續(xù)進(jìn)行，直到第五個(gè)空格符，和第四個(gè)字符“s”之間又匹配了<<\b>>。然而空格符和<<i>>不匹配。繼續(xù)向后，到了第六個(gè)字符“i”，和第五個(gè)空格字符之間匹配了<<\b>>，然后<<is>>和第六、第七個(gè)字符都匹配了。然而第八個(gè)字符和第二個(gè)“單詞邊界”不匹配，所以匹配又失敗了。到了第13個(gè)字符i，因?yàn)楹颓懊嬉粋€(gè)空格符形成“單詞邊界”，同時(shí)<<is>>和“is”匹配。引擎接著嘗試匹配第二個(gè)<<\b>>。因?yàn)榈?5個(gè)空格符和“s”形成單詞邊界，所以匹配成功。引擎“急著”返回成功匹配的結(jié)果。
10. 選擇符
正則表達(dá)式中“|”表示選擇。你可以用選擇符匹配多個(gè)可能的正則表達(dá)式中的一個(gè)。
如果你想搜索文字“cat”或“dog”，你可以用<<cat|dog>>。如果你想有更多的選擇，你只要擴(kuò)展列表<<cat|dog|mouse|fish>>。
選擇符在正則表達(dá)式中具有最低的優(yōu)先級(jí)，也就是說(shuō)，它告訴引擎要么匹配選擇符左邊的所有表達(dá)式，要么匹配右邊的所有表達(dá)式。你也可以用圓括號(hào)來(lái)限制選擇符的作用范圍。如<<\b(cat|dog)\b>>，這樣告訴正則引擎把(cat|dog)當(dāng)成一個(gè)正則表達(dá)式單位來(lái)處理。
· 注意正則引擎的“急于表功”性
正則引擎是急切的，當(dāng)它找到一個(gè)有效的匹配時(shí)，它會(huì)停止搜索。因此在一定條件下，選擇符兩邊的表達(dá)式的順序?qū)Y(jié)果會(huì)有影響。假設(shè)你想用正則表達(dá)式搜索一個(gè)編程語(yǔ)言的函數(shù)列表：Get，GetValue，Set或SetValue。一個(gè)明顯的解決方案是<<Get|GetValue|Set|SetValue>>。讓我們看看當(dāng)搜索SetValue時(shí)的結(jié)果。
因?yàn)?lt;<Get>>和<<GetValue>>都失敗了，而<<Set>>匹配成功。因?yàn)檎齽t導(dǎo)向的引擎都是“急切”的，所以它會(huì)返回第一個(gè)成功的匹配，就是“Set”，而不去繼續(xù)搜索是否有其他更好的匹配。
和我們期望的相反，正則表達(dá)式并沒(méi)有匹配整個(gè)字符串。有幾種可能的解決辦法。一是考慮到正則引擎的“急切”性，改變選項(xiàng)的順序，例如我們使用<<GetValue|Get|SetValue|Set>>，這樣我們就可以?xún)?yōu)先搜索最長(zhǎng)的匹配。我們也可以把四個(gè)選項(xiàng)結(jié)合起來(lái)成兩個(gè)選項(xiàng)：<<Get(Value)?|Set(Value)?>>。因?yàn)閱?wèn)號(hào)重復(fù)符是貪婪的，所以SetValue總會(huì)在Set之前被匹配。
一個(gè)更好的方案是使用單詞邊界：<<\b(Get|GetValue|Set|SetValue)\b>>或<<\b(Get(Value)?|Set(Value)?\b>>。更進(jìn)一步，既然所有的選擇都有相同的結(jié)尾，我們可以把正則表達(dá)式優(yōu)化為<<\b(Get|Set)(Value)?\b>>。
11. 組與向后引用
把正則表達(dá)式的一部分放在圓括號(hào)內(nèi)，你可以將它們形成組。然后你可以對(duì)整個(gè)組使用一些正則操作，例如重復(fù)操作符。
要注意的是，只有圓括號(hào)“()”才能用于形成組。“[]”用于定義字符集。“{}”用于定義重復(fù)操作。
當(dāng)用“()”定義了一個(gè)正則表達(dá)式組后，正則引擎則會(huì)把被匹配的組按照順序編號(hào)，存入緩存。當(dāng)對(duì)被匹配的組進(jìn)行向后引用的時(shí)候，可以用“\數(shù)字”的方式進(jìn)行引用。<<\1>>引用第一個(gè)匹配的后向引用組，<<\2>>引用第二個(gè)組，以此類(lèi)推，<<\n>>引用第n個(gè)組。而<<\0>>則引用整個(gè)被匹配的正則表達(dá)式本身。我們看一個(gè)例子。
假設(shè)你想匹配一個(gè)HTML標(biāo)簽的開(kāi)始標(biāo)簽和結(jié)束標(biāo)簽，以及標(biāo)簽中間的文本。比如<B>This is a test</B>，我們要匹配<B>和</B>以及中間的文字。我們可以用如下正則表達(dá)式：“<([A-Z][A-Z0-9]*)[^>]*>.*?</\1>”
首先，“<”將會(huì)匹配“<B>”的第一個(gè)字符“<”。然后[A-Z]匹配B，[A-Z0-9]*將會(huì)匹配0到多次字母數(shù)字，后面緊接著0到多個(gè)非“>”的字符。最后正則表達(dá)式的“>”將會(huì)匹配“<B>”的“>”。接下來(lái)正則引擎將對(duì)結(jié)束標(biāo)簽之前的字符進(jìn)行惰性匹配，直到遇到一個(gè)“</”符號(hào)。然后正則表達(dá)式中的“\1”表示對(duì)前面匹配的組“([A-Z][A-Z0-9]*)”進(jìn)行引用，在本例中，被引用的是標(biāo)簽名“B”。所以需要被匹配的結(jié)尾標(biāo)簽為“</B>”
你可以對(duì)相同的后向引用組進(jìn)行多次引用，<<([a-c])x\1x\1>>將匹配“axaxa”、“bxbxb”以及“cxcxc”。如果用數(shù)字形式引用的組沒(méi)有有效的匹配，則引用到的內(nèi)容簡(jiǎn)單的為空。
一個(gè)后向引用不能用于它自身。<<([abc]\1)>>是錯(cuò)誤的。因此你不能將<<\0>>用于一個(gè)正則表達(dá)式匹配本身，它只能用于替換操作中。
后向引用不能用于字符集內(nèi)部。<<(a)[\1b]>>中的<<\1>>并不表示后向引用。在字符集內(nèi)部，<<\1>>可以被解釋為八進(jìn)制形式的轉(zhuǎn)碼。
向后引用會(huì)降低引擎的速度，因?yàn)樗枰鎯?chǔ)匹配的組。如果你不需要向后引用，你可以告訴引擎對(duì)某個(gè)組不存儲(chǔ)。例如：<<Get(?:Value)>>。其中“(”后面緊跟的“?:”會(huì)告訴引擎對(duì)于組(Value)，不存儲(chǔ)匹配的值以供后向引用。
· 重復(fù)操作與后向引用
當(dāng)對(duì)組使用重復(fù)操作符時(shí)，緩存里后向引用內(nèi)容會(huì)被不斷刷新，只保留最后匹配的內(nèi)容。例如：<<([abc]+)=\1>>將匹配“cab=cab”，但是<<([abc])+=\1>>卻不會(huì)。因?yàn)?[abc])第一次匹配“c”時(shí)，“\1”代表“c”；然后([abc])會(huì)繼續(xù)匹配“a”和“b”。最后“\1”代表“b”，所以它會(huì)匹配“cab=b”。
應(yīng)用：檢查重復(fù)單詞--當(dāng)編輯文字時(shí)，很容易就會(huì)輸入重復(fù)單詞，例如“the the”。使用<<\b(\w+)\s+\1\b>>可以檢測(cè)到這些重復(fù)單詞。要?jiǎng)h除第二個(gè)單詞，只要簡(jiǎn)單的利用替換功能替換掉“\1”就可以了。
· 組的命名和引用
在PHP，Python中，可以用<<(?P<name>group)>>來(lái)對(duì)組進(jìn)行命名。在本例中，詞法?P<name>就是對(duì)組(group)進(jìn)行了命名。其中name是你對(duì)組的起的名字。你可以用(?P=name)進(jìn)行引用。
.NET的命名組
.NET framework也支持命名組。不幸的是，微軟的程序員們決定發(fā)明他們自己的語(yǔ)法，而不是沿用Perl、Python的規(guī)則。目前為止，還沒(méi)有任何其他的正則表達(dá)式實(shí)現(xiàn)支持微軟發(fā)明的語(yǔ)法。
下面是.NET中的例子：
(?<first>group)(?’second’group)
正如你所看到的，.NET提供兩種詞法來(lái)創(chuàng)建命名組：一是用尖括號(hào)“<>”，或者用單引號(hào)“’’”。尖括號(hào)在字符串中使用更方便，單引號(hào)在ASP代碼中更有用，因?yàn)锳SP代碼中“<>”被用作HTML標(biāo)簽。
要引用一個(gè)命名組，使用\k<name>或\k’name’.
當(dāng)進(jìn)行搜索替換時(shí)，你可以用“${name}”來(lái)引用一個(gè)命名組。
12. 正則表達(dá)式的匹配模式
本教程所討論的正則表達(dá)式引擎都支持三種匹配模式：
<</i>>使正則表達(dá)式對(duì)大小寫(xiě)不敏感，
<</s>>開(kāi)啟“單行模式”，即點(diǎn)號(hào)“.”匹配新行符
<</m>>開(kāi)啟“多行模式”，即“^”和“$”匹配新行符的前面和后面的位置。
· 在正則表達(dá)式內(nèi)部打開(kāi)或關(guān)閉模式
如果你在正則表達(dá)式內(nèi)部插入修飾符(?ism)，則該修飾符只對(duì)其右邊的正則表達(dá)式起作用。(?-i)是關(guān)閉大小寫(xiě)不敏感。你可以很快的進(jìn)行測(cè)試。<<(?i)te(?-i)st>>應(yīng)該匹配TEst，但是不能匹配teST或TEST.
13. 原子組與防止回溯
在一些特殊情況下，因?yàn)榛厮輹?huì)使得引擎的效率極其低下。
讓我們看一個(gè)例子：要匹配這樣的字串，字串中的每個(gè)字段間用逗號(hào)做分隔符，第12個(gè)字段由P開(kāi)頭。
我們?nèi)菀紫氲竭@樣的正則表達(dá)式<<^(.*?,){11}P>>。這個(gè)正則表達(dá)式在正常情況下工作的很好。但是在極端情況下，如果第12個(gè)字段不是由P開(kāi)頭，則會(huì)發(fā)生災(zāi)難性的回溯。如要搜索的字串為“1,2,3,4,5,6,7,8,9,10,11,12,13”。首先，正則表達(dá)式一直成功匹配直到第12個(gè)字符。這時(shí)，前面的正則表達(dá)式消耗的字串為“1,2,3,4,5,6,7,8,9,10,11,”，到了下一個(gè)字符，<<P>>并不匹配“12”。所以引擎進(jìn)行回溯，這時(shí)正則表達(dá)式消耗的字串為“1,2,3,4,5,6,7,8,9,10,11”。繼續(xù)下一次匹配過(guò)程，下一個(gè)正則符號(hào)為點(diǎn)號(hào)<<.>>，可以匹配下一個(gè)逗號(hào)“,”。然而<<，>>并不匹配字符“12”中的“1”。匹配失敗，繼續(xù)回溯。大家可以想象，這樣的回溯組合是個(gè)非常大的數(shù)量。因此可能會(huì)造成引擎崩潰。
用于阻止這樣巨大的回溯有幾種方案：
一種簡(jiǎn)單的方案是盡可能的使匹配精確。用取反字符集代替點(diǎn)號(hào)。例如我們用如下正則表達(dá)式<<^([^,\r\n]*,){11}P>>，這樣可以使失敗回溯的次數(shù)下降到11次。
另一種方案是使用原子組。
原子組的目的是使正則引擎失敗的更快一點(diǎn)。因此可以有效的阻止海量回溯。原子組的語(yǔ)法是<<(?>正則表達(dá)式)>>。位于(?>)之間的所有正則表達(dá)式都會(huì)被認(rèn)為是一個(gè)單一的正則符號(hào)。一旦匹配失敗，引擎將會(huì)回溯到原子組前面的正則表達(dá)式部分。前面的例子用原子組可以表達(dá)成<<^(?>(.*?,){11})P>>。一旦第十二個(gè)字段匹配失敗，引擎回溯到原子組前面的<<^>>。
14. 向前查看與向后查看
Perl 5 引入了兩個(gè)強(qiáng)大的正則語(yǔ)法：“向前查看”和“向后查看”。他們也被稱(chēng)作“零長(zhǎng)度斷言”。他們和錨定一樣都是零長(zhǎng)度的（所謂零長(zhǎng)度即指該正則表達(dá)式不消耗被匹配的字符串）。不同之處在于“前后查看”會(huì)實(shí)際匹配字符，只是他們會(huì)拋棄匹配只返回匹配結(jié)果：匹配或不匹配。這就是為什么他們被稱(chēng)作“斷言”。他們并不實(shí)際消耗字符串中的字符，而只是斷言一個(gè)匹配是否可能。
幾乎本文討論的所有正則表達(dá)式的實(shí)現(xiàn)都支持“向前向后查看”。唯一的一個(gè)例外是Javascript只支持向前查看。
· 肯定和否定式的向前查看
如我們前面提過(guò)的一個(gè)例子：要查找一個(gè)q，后面沒(méi)有緊跟一個(gè)u。也就是說(shuō)，要么q后面沒(méi)有字符，要么后面的字符不是u。采用否定式向前查看后的一個(gè)解決方案為<<q(?!u)>>。否定式向前查看的語(yǔ)法是<<(?!查看的內(nèi)容)>>。
肯定式向前查看和否定式向前查看很類(lèi)似：<<(?=查看的內(nèi)容)>>。
如果在“查看的內(nèi)容”部分有組，也會(huì)產(chǎn)生一個(gè)向后引用。但是向前查看本身并不會(huì)產(chǎn)生向后引用，也不會(huì)被計(jì)入向后引用的編號(hào)中。這是因?yàn)橄蚯安榭幢旧硎菚?huì)被拋棄掉的，只保留匹配與否的判斷結(jié)果。如果你想保留匹配的結(jié)果作為向后引用，你可以用<<(?=(regex))>>來(lái)產(chǎn)生一個(gè)向后引用。
· 肯定和否定式的先后查看
向后查看和向前查看有相同的效果，只是方向相反
否定式向后查看的語(yǔ)法是：<<(?<!查看內(nèi)容)>>
肯定式向后查看的語(yǔ)法是：<<(?<=查看內(nèi)容)>>
我們可以看到，和向前查看相比，多了一個(gè)表示方向的左尖括號(hào)。
例：<<(?<!a)b>>將會(huì)匹配一個(gè)沒(méi)有“a”作前導(dǎo)字符的“b”。
值得注意的是：向前查看從當(dāng)前字符串位置開(kāi)始對(duì)“查看”正則表達(dá)式進(jìn)行匹配；向后查看則從當(dāng)前字符串位置開(kāi)始先后回溯一個(gè)字符，然后再開(kāi)始對(duì)“查看”正則表達(dá)式進(jìn)行匹配。
· 深入正則表達(dá)式引擎內(nèi)部
讓我們看一個(gè)簡(jiǎn)單例子。
把正則表達(dá)式<<q(?!u)>>應(yīng)用到字符串“Iraq”。正則表達(dá)式的第一個(gè)符號(hào)是<<q>>。正如我們知道的，引擎在匹配<<q>>以前會(huì)掃過(guò)整個(gè)字符串。當(dāng)?shù)谒膫€(gè)字符“q”被匹配后，“q”后面是空字符(void)。而下一個(gè)正則符號(hào)是向前查看。引擎注意到已經(jīng)進(jìn)入了一個(gè)向前查看正則表達(dá)式部分。下一個(gè)正則符號(hào)是<<u>>，和空字符不匹配，從而導(dǎo)致向前查看里的正則表達(dá)式匹配失敗。因?yàn)槭且粋€(gè)否定式的向前查看，意味著整個(gè)向前查看結(jié)果是成功的。于是匹配結(jié)果“q”被返回了。
我們?cè)诎严嗤恼齽t表達(dá)式應(yīng)用到“quit”。<<q>>匹配了“q”。下一個(gè)正則符號(hào)是向前查看部分的<<u>>，它匹配了字符串中的第二個(gè)字符“i”。引擎繼續(xù)走到下個(gè)字符“i”。然而引擎這時(shí)注意到向前查看部分已經(jīng)處理完了，并且向前查看已經(jīng)成功。于是引擎拋棄被匹配的字符串部分，這將導(dǎo)致引擎回退到字符“u”。
因?yàn)橄蚯安榭词欠穸ㄊ降?，意味著查看部分的成功匹配?dǎo)致了整個(gè)向前查看的失敗，因此引擎不得不進(jìn)行回溯。最后因?yàn)樵贈(zèng)]有其他的“q”和<<q>>匹配，所以整個(gè)匹配失敗了。
為了確保你能清楚地理解向前查看的實(shí)現(xiàn)，讓我們把<<q(?=u)i>>應(yīng)用到“quit”。<<q>>首先匹配“q”。然后向前查看成功匹配“u”，匹配的部分被拋棄，只返回可以匹配的判斷結(jié)果。引擎從字符“i”回退到“u”。由于向前查看成功了，引擎繼續(xù)處理下一個(gè)正則符號(hào)<<i>>。結(jié)果發(fā)現(xiàn)<<i>>和“u”不匹配。因此匹配失敗了。由于后面沒(méi)有其他的“q”，整個(gè)正則表達(dá)式的匹配失敗了。
· 更進(jìn)一步理解正則表達(dá)式引擎內(nèi)部機(jī)制
讓我們把<<(?<=a)b>>應(yīng)用到“thingamabob”。引擎開(kāi)始處理向后查看部分的正則符號(hào)和字符串中的第一個(gè)字符。在這個(gè)例子中，向后查看告訴正則表達(dá)式引擎回退一個(gè)字符，然后查看是否有一個(gè)“a”被匹配。因?yàn)樵?#8220;t”前面沒(méi)有字符，所以引擎不能回退。因此向后查看失敗了。引擎繼續(xù)走到下一個(gè)字符“h”。再一次，引擎暫時(shí)回退一個(gè)字符并檢查是否有個(gè)“a”被匹配。結(jié)果發(fā)現(xiàn)了一個(gè)“t”。向后查看又失敗了。
向后查看繼續(xù)失敗，直到正則表達(dá)式到達(dá)了字符串中的“m”，于是肯定式的向后查看被匹配了。因?yàn)樗橇汩L(zhǎng)度的，字符串的當(dāng)前位置仍然是“m”。下一個(gè)正則符號(hào)是<<b>>，和“m”匹配失敗。下一個(gè)字符是字符串中的第二個(gè)“a”。引擎向后暫時(shí)回退一個(gè)字符，并且發(fā)現(xiàn)<<a>>不匹配“m”。
在下一個(gè)字符是字符串中的第一個(gè)“b”。引擎暫時(shí)性的向后退一個(gè)字符發(fā)現(xiàn)向后查看被滿(mǎn)足了，同時(shí)<<b>>匹配了“b”。因此整個(gè)正則表達(dá)式被匹配了。作為結(jié)果，正則表達(dá)式返回字符串中的第一個(gè)“b”。
· 向前向后查看的應(yīng)用
我們來(lái)看這樣一個(gè)例子：查找一個(gè)具有6位字符的，含有“cat”的單詞。
首先，我們可以不用向前向后查看來(lái)解決問(wèn)題，例如：
<< cat\w{3}|\wcat\w{2}|\w{2}cat\w|\w{3}cat>>
足夠簡(jiǎn)單吧！但是當(dāng)需求變成查找一個(gè)具有6-12位字符，含有“cat”，“dog”或“mouse”的單詞時(shí)，這種方法就變得有些笨拙了。
我們來(lái)看看使用向前查看的方案。在這個(gè)例子中，我們有兩個(gè)基本需求要滿(mǎn)足：一是我們需要一個(gè)6位的字符，二是單詞含有“cat”。
滿(mǎn)足第一個(gè)需求的正則表達(dá)式為<<\b\w{6}\b>>。滿(mǎn)足第二個(gè)需求的正則表達(dá)式為<<\b\w*cat\w*\b>>。
把兩者結(jié)合起來(lái)，我們可以得到如下的正則表達(dá)式：
<<(?=\b\w{6}\b)\b\w*cat\w*\b>>
具體的匹配過(guò)程留給讀者。但是要注意的一點(diǎn)是，向前查看是不消耗字符的，因此當(dāng)判斷單詞滿(mǎn)足具有6個(gè)字符的條件后，引擎會(huì)從開(kāi)始判斷前的位置繼續(xù)對(duì)后面的正則表達(dá)式進(jìn)行匹配。
最后作些優(yōu)化，可以得到下面的正則表達(dá)式：
<<\b(?=\w{6}\b)\w{0,3}cat\w*>>
15. 正則表達(dá)式中的條件測(cè)試
條件測(cè)試的語(yǔ)法為<<(?ifthen|else)>>。“if”部分可以是向前向后查看表達(dá)式。如果用向前查看，則語(yǔ)法變?yōu)椋?lt;<(?(?=regex)then|else)>>，其中else部分是可選的。
如果if部分為true，則正則引擎會(huì)試圖匹配then部分，否則引擎會(huì)試圖匹配else部分。
需要記住的是，向前先后查看并不實(shí)際消耗任何字符，因此后面的then與else部分的匹配時(shí)從if測(cè)試前的部分開(kāi)始進(jìn)行嘗試。
16. 為正則表達(dá)式添加注釋
在正則表達(dá)式中添加注釋的語(yǔ)法是：<<(?#comment)>>
例：為用于匹配有效日期的正則表達(dá)式添加注釋?zhuān)?/p>
(?#year)(19|20)\d\d[- /.](?#month)(0[1-9]|1[012])[- /.](?#day)(0[1-9]|[12][0-9]|3[01])
聯(lián)系客服
