正则表达式（二）

爱被打了一巴掌 2021-12-22 12:39 289阅读 0赞

2016-04-07 20:21:01

**负向零宽断言**

前面我们提到过反义\\W、\\S等，就是查找不是某个字符或不在某个字符类里的字符的方法。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？

例如，如果我们想查找这样的单词--它里面出现了字母q、但是q后面跟的不是字母u,我们可以尝试这样：

\\b\\w\*q\[^u\]\\w\*\\b

用来匹配包含后面不是字母u的包含字母q的单词。但是如果多做测试，就会发现，如果q出现在单词的结尾的话，像Iraq、Benq，这个表达式就会出错。这是因为\[^u\]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的\[^u\]将会匹配q后面的单词分隔符(可能是空格，或者是逗号、句号或其它的什么)，再后面的\\w\*\\b将会匹配下一个单词，于是\\b\\w\*q\[^u\]\\w\*\\b就能匹配整个Iraq fighting，而不是单独的Iraq。

负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\\b\\w\*q(?!u)\\w\*\\b。

零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\\d\{3\}(?!\\d)，匹配三位数字，而且这三位数字的后面不能是数字；

零宽度负回顾后发断言(?<!exp)，来断言此位置的前面不能匹配表达式exp。例如：(?<!\[a-z\])\\d\{7\}匹配七位数字，而这七位数字的前面不能是a-z的字母。

**运算符优先级**

正则表达式从左到右进行计算，并遵循优先级顺序，这与算术表达式非常类似。

相同优先级的从左到右进行运算，不同优先级的运算先高后低。下表从最高到最低说明了各种正则表达式运算符的优先级顺序：

运算符 描述

\\ 转义符

(), (?:), (?=), \[\] 圆括号和方括号

\*, +, ?, \{n\}, \{n,\}, \{n,m\} 限定符

^, $, \\任何元字符、任何字符 定位点和序列（即：位置和顺序）

| 替换，"或"操作

字符具有高于替换运算符的优先级，使得"m|food"匹配"m"或"food"。若要匹配"mood"或"food"，请使用括号创建子表达式，从而产生"(m|f)ood"。

**注释**

小括号的另一种用途是通过语法(?\#comment)来包含注释。例如：2\[0-4\]\\d(?\#200-249)|25\[0-5\](?\#250-255)|\[01\]?\\d\\d?(?\#0-199)。

要包含注释的话，最好是启用“忽略模式里的空白符”选项，这样在编写表达式时能任意的添加空格、Tab、换行，而实际使用时这些都将被忽略。启用这个选项后，在\#后面到这一行结束的所有文本都将被当成注释忽略掉。例如，我们可以前面的一个表达式写成这样：

(?<= \# 断言要匹配的文本的前缀

<(\\w+)> \# 查找尖括号括起来的字母或数字(即HTML/XML标签)

) \# 前缀结束

.\* \# 匹配任意文本

(?= \# 断言要匹配的文本的后缀

<\\/\\1> \# 查找尖括号括起来的内容：前面是一个"/"，后面是匹配先前捕获的标签，即（\\w+）

) \# 后缀结束

断言和注释

(?=exp) 匹配exp前面的位置

(?<=exp) 匹配exp后面的位置

(?!exp) 匹配后面跟的不是exp的位置

(?<!exp) 匹配前面不是exp的位置

(?\#comment) 这种类型的分组不对正则表达式的处理产生任何影响，用于提供注释

**贪婪与懒惰**

当正则表达式中包含能接受重复的限定符时，通常的行为是（在使整个表达式能得到匹配的前提下）匹配尽可能多的字符。以这个表达式为例：a.\*b，它将会匹配最长的以a开始、以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

有时，我们更需要懒惰匹配，也就是匹配尽可能少的字符。前面给出的限定符都可以被转化为懒惰匹配模式，只要在它后面加上一个问号?。这样.\*?就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，也是最小匹配。

例子：a.\*?b匹配最短的，以a开始、以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。

为什么第一个匹配是aab（第一到第三个字符）而不是ab（第二到第三个字符）？简单地说，因为正则表达式有另一条规则，比懒惰／贪婪规则的优先级更高：最先开始的匹配拥有最高的优先权——The match that begins earliest wins。显然，aab一开始就符合正则表达式，会作为匹配的内容。

例子：<H1>Chapter 1 – Introduction to Regular Expressions</H1>

<.\*>匹配内容：<H1>Chapter 1 – Introduction to Regular Expressions</H1>，会一直匹配到最后方的>。

<.\*?>匹配内容： <H1>和</H1>

懒惰限定符

代码/语法 说明

\*? 重复任意次，但尽可能少重复

\+? 重复1次或更多次，但尽可能少重复

?? 重复0次或1次，但尽可能少重复

\{n,m\}? 重复n到m次，但尽可能少重复

\{n,\}? 重复n次以上，但尽可能少重复

**处理选项**

在C\#中，你可以使用Regex(String, RegexOptions)构造函数来设置正则表达式的处理选项。如：Regex regex = new Regex(@"\\ba\\w\{6\}\\b", RegexOptions.IgnoreCase);

上面介绍了几个选项如忽略大小写、处理多行等，这些选项能用来改变处理正则表达式的方式。下面是.Net中常用的正则表达式选项：

常用的处理选项

名称 说明

IgnoreCase(忽略大小写) 匹配时不区分大小写。

Multiline(多行模式) 更改^和$的含义，使它们分别在任意一行的行首和行尾匹配，而不仅仅在整个字符串的开头和结尾匹配。(在此模式下，$的精确 含意是: 匹配\\n之前的位置以及字符串结束前的位置；^的精确含意是:匹配\\n之后的位置以及字符串开始后的位置)

Singleline(单行模式) 更改.的含义，使它与每一个字符匹配（包括换行符\\n）。

IgnorePatternWhitespace(忽略空白) 忽略表达式中的非转义空白并启用由\#标记的注释。

ExplicitCapture(显式捕获) 仅捕获已被显式命名的组。

一个经常被问到的问题是：是不是只能同时使用多行模式和单行模式中的一种？答案是：不是。

这两个选项之间没有任何关系，除了它们的名字刚好是单行、多行意思，很多人就会从字面理解里面得出错误结论。其实这2个修饰符都只是修改正则表达式的元字符的匹配范围，单行模式修改.的，多行模式修改^和$的。

**平衡组/递归匹配**

这里介绍的平衡组语法是由.Net Framework支持的；其它语言／库不一定支持这种功能，或者支持此功能但需要使用不同的语法。

有时我们需要匹配像( 100 \* ( 50 + 15 ) )这样的可嵌套的层次性结构，这时简单地使用\$.+\$（中间有一个或多个非换行字符，甚至可以是单括号，因为.也匹配耽搁括号）则只会匹配到最左边的左括号和最右边的右括号之间的内容(这里我们讨论的是贪婪模式，懒惰模式也有下面的问题)。假如原来的字符串里的左括号和右括号出现的次数不相等，比如( 5 / ( 3 + 2 ) ) )，符合\$.+\$，在贪婪模式下我们的匹配结果里左右单括号的个数也不会相等。有没有办法在这样的字符串里匹配到最长的、同时又配对的括号之间的内容呢？

小括号通常与分组相关，\\(又涉及到转义，为了避免(和\\(把你的大脑彻底搞糊涂，我们还是用尖括号代替圆括号。现在我们的问题变成了如何把xx <aa <bbb> <bbb> aa> yy这样的字符串里，最长的配对的尖括号内的内容捕获出来？

我们需要做的是每碰到了左括号，就压入一个"group"，每碰到一个右括号，就弹出一个，到了最后就看看堆栈是否为空－－如果不为空那就证明左括号比右括号多，那匹配就应该失败。正则表达式引擎会进行回溯(放弃最前面或最后面的一些字符)，尽量使整个表达式得到匹配。

< \#最外层的左括号

\[^<>\]\* \#最外层的左括号后面的内容不包含尖号<>

(

(?'group'<) \#碰到了左括号，把捕获的内容命名为group，并压入堆栈(Stack)，这是用到了前面提及的组名指定

\[^<>\]\* \#匹配左括号后面的不包含<和>的内容

(

(?'-group'>) \#碰到了右括号，从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败

\[^<>\]\* \#匹配右括号后面不包含<和>的内容

)\*

(?(group)(?!)) \#在遇到最外层的右括号前面，判断堆栈中还有没有名为group的内容；由于(?!)没有后缀表达式，名为group的内容不应该存在了，如果还有的话，则匹配失败