前面已经写过一篇文章《 我眼里的正则表达式(入门) 》介绍过正则表达式的基础和基本套路 正则三段论 : 定锚点,去噪点,取数据 了,接下来这篇文章,补充一点相对高级的概念:
1. 概念一:按单字符匹配 2. 概念二:匹配优先和不匹配优先 3. 概念三:贪婪模式与非贪婪模式 4. 概念四:环视(断言) 5. 概念五:平衡组 6. 概念六:模式修饰符 7. 附:正则三段论应用
正则里面的数据都是按照单个字符来进行匹配的,这个通过数值区间的例子最容易体现出来,比如,示例一:
我要匹配 0-15
的数值区间,用正则来写的话,便是 [0-9]|1[0-5]
,这里,便是把0-9这种单字符的情况,和10-15这种多字符的情况拆分开了,使用分支 |
来区分开,表示要么是0-9,要么是10-15。
上面是两位数值的情况,现在延伸至1-65535,我个人的处理思想是从大到小,一块块分解:
1. 65530-65535 ==> 6553[0-5] 末位区间0-5 2. 65500-65529 ==> 655[0-2][0-9] 第四位区间0-2,末位区间0-9 3. 65000-65499 ==> 65[0-4][0-9]{2} 第三位区间0-4,后两位0-9 4. 60000-64999 ==> 6[0-4][0-9]{3} 第二位区间0-4,后三位0-9 5. 10000-59999 ==> [1-5][0-9]{4} 第一位区间1-5,后四位0-9 6. 1-9999 ==> [1-9][0-9]{0,3} 第一位只能是1-9,后三位可有可无
最后组合起来:
(6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})
便得到1-65535匹配正则。
根据数据处理需求,可以在正则前后加上 ^
和 $
,以匹配整个数据串,或者前后加入 /b
,把它当做单词边界处理。 没有限定字符的边界往往是js正则判断中常见的错误之一 。
匹配优先和不匹配优先从字面理解也是比较容易的,所谓匹配优先,就是,能匹配我就先匹配;二不匹配优先就是,能不匹配我就先不匹配,这段匹配先跳过,先看看后面的匹配能不能通过。
正则的贪婪模式和非贪婪模式是一个比较容易混淆的概念,不过,我们可以这么理解,一个人很贪婪,所以他会能拿多少拿多少,换过来,那就是贪婪模式下的正则表达式,能匹配多少就匹配多少,尽可能最多。
下面举个例子,示例二:
需求:匹配1后面跟任意个0 源串:10001 使用贪婪模式:10* 结果:1000 和 1 使用非贪婪模式:10*? 结果:1 和 1
首先, *
是匹配0个或多个的意思。
贪婪模式下,它表示,首先匹配一个1,然后匹配1后面的0,最多可以匹配3个0,因此得到1000,然后第二次又匹配到一个1,但是后面没有0,因此得到1;
非贪婪模式下,它表示,首先匹配一个1,然后1后面的0,能不匹配就不匹配了,所以,它每次都只是匹配了一个1。
看到这里,也许,有些人觉得,哎呀,我懂了!那么,下来我们改改,看看你是不是真懂了。
示例三:
需求:匹配1后面跟任意个0,再跟一个1 源串:10001 使用贪婪模式:10*1 结果:10001 使用非贪婪模式:10*?1 结果:10001
为什么这两次的结果一样了?
因为,正则表达式要判断完这整个正则才算成功,这种情况下,
贪婪模式,首先匹配一个1,然后匹配1后面尽可能多的0,发现3个,再匹配0后面的一个1,正则表达式匹配完,完成匹配,得到10001;
非贪婪模式,首先匹配一个1,然后,0*?是非贪婪模式,它不想匹配了(非贪婪模式不匹配优先),看看后面是不是1了?然后发现哎妈呀,后面是个0啊,然后它回头,不能再偷懒了,用0*?匹配一个0吧,然后匹配到10,又不想匹配了,看看后面有没有1了,还是没有,又回去用0*?匹配掉一个0,得到100,继续偷懒,但是发现后面还不是1,然后又用0*?匹配得到1000,最后,发现真不容易啊,终于看到1了,匹配得到10001,正则表达式匹配完,完成匹配。
看到这里,是不是懂了?
那究竟哪个模式好呢?
关于贪婪模式好还是非贪婪模式好的讨论,只能说根据需求而定,不过,在平时的时候用,一般使用非贪婪模式较多,因为贪婪模式经常会由于 元字符范围限制不严谨
而导致匹配越界,得到非预期结果。
环视,在不同的地方又称之为零宽断言,简称断言。
用一句通俗的话解释:
环视,就是先从全局环顾一遍整个正则,(然后断定结果,)再做进一步匹配处理。
断言,就是先从全局环顾一遍整个正则,然后断定结果,再做进一步匹配处理。
两个虽然字面不一样,意思却是同一个,都是做全局观望,再做进一步处理。
环视主要有以下4个用法:
(?<=exp)
匹配前面是exp的数据
(?<!exp)
匹配前面不是exp的数据
(?=exp)
匹配后面是exp的数据
(?!exp)
匹配后面不是exp的数据
示例四:
(?<=B)AAA
匹配前面是B的数据,即BAAA匹配,而CAAA不匹配
(?<!B)AAA
匹配前面不是B的数据,即CAAA匹配,而BAAA不匹配
AAA(?=B)
匹配后面是B的数据,即AAAB匹配,而AAAC不匹配
AAA(?!B)
匹配后面不是B的数据,即AAAC能匹配,而AAAB不能匹配
另外,还会看到 (?!B)[A-Z]
这种写法,其实它是 [A-Z]范围
里, 排除B
的意思,前置的(?!B)只是对后面数据的一个限定,从而达到过滤匹配的效果。
因此,环视做排除处理是比较实用的,比如,示例五:
需求:字母、数字组合,不区分大小写,不能纯数字或者纯字母,6-16个字符。 通用正则:^[a-z0-9]{6,16}$ 字母数字组合,6-16个字符 排除纯字母:(?!^[a-z]+$) 排除纯数字:(?!^[0-9]+$) 组合起来:(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$
注意, 环视部分是不占宽度的 ,所以有零宽断言的叫法。
所谓不占宽度,可以分成两部分理解:
1、环视的匹配结果不纳入数据结果
2、环视它匹配过的地方,下次还能用它继续匹配。
如果不是环视,则匹配过的地方,不能再匹配第二次了。
上面示例四体现了: 环视的匹配结果不纳入数据结果 ,它的结果:
(?<=B)AAA 源串:BAAA 结果:AAA (?<!B)AAA 源串:CAAA 结果:AAA AAA(?=B) 源串:AAAB 结果:AAA AAA(?!B) 源串:AAAC 结果:AAA
而示例五体现了: 环视它匹配过的地方,下次还能用它继续匹配
因为,整个匹配过程中,正则表达式一共走了3次字符串匹配,第一次匹配不全部是字母,第二次匹配不全部是数字,第三次匹配全部是字母数字组合,6-16个字符。
扩展部分: `[A-Z](?<=B)` [A-Z]范围等于B `[A-Z](?<!B)` [A-Z]范围排除B `(?!B)[A-Z]` [A-Z]范围排除B
平衡组并不是所有程序语言都支持,而我本人使用的PHP语言就不支持,所以平时接触也是比较少的。
平衡组主要用到下面四个语法:
(?'group') 把捕获的内容命名为group,并压入堆栈(Stack) (?'-group') 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 (?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话,继续匹配yes部分的表达式,否则继续匹配no部分 (?!) 零宽负向先行断言,由于没有后缀表达式,如没有(?!B)的B,试图匹配总是失败
在PHP中是支持(?(group)yes|no)语法的,这里的group是分组编号,即子模式编号,如(A)?(?(1)yes|no) ,匹配Ayes 和 no
下面这里引用《 正则表达式30分钟入门教程#平衡组 》的例子,展示平衡组用法,
< #最外层的左括号 [^<>]* #最外层的左括号后面的不是括号的内容 ( ( (?'Open'<) #碰到了左括号,在黑板上写一个"Open" [^<>]* #匹配左括号后面的不是括号的内容 )+ ( (?'-Open'>) #碰到了右括号,擦掉一个"Open" [^<>]* #匹配右括号后面不是括号的内容 )+ )* (?(Open)(?!)) #在遇到最外层的右括号时,判断黑板上还有没有没擦掉的"Open";如果还有,则匹配失败 > #最外层的右括号 平衡组的一个最常见的应用就是匹配HTML,下面这个例子可以匹配嵌套的<div>标签: <div[^>]*>[^<>]*(((?'Open'<div[^>]*>)[^<>]*)+((?'-Open'</div>)[^<>]*)+)*(?(Open)(?!))</div>
模式修饰符在许多程序语言中都支持的,比如最常见的是 i
,不区分大小写,如javascript里的/[a-z0-9]/i,表示匹配字母数字,不区分大小写。
本人在写php正则时常用的模式修饰符主要有 i
和 s
,如:
$pattern = '#[a-z0-9]+#is';
模式修饰符s的作用主要是的 .
能够匹配换行,在处理换行数据时,通常会用到。
关于PHP模式修饰符的讲解,请查看 PHP手册 中的《 PHP模式修饰符 》。
《 我眼里的正则表达式(入门) 》 和 本文《 深入正则表达式应用 》几乎倾尽本人正则学习全部思想,但是很多读者反馈,看晕了!看到如此点评,实属无奈,因此,有必要追加本节,来个整体统筹运用,希望能让大家犹如拨云见月,洞悉其中的精义。
两篇文章中,最重要的部分当属 正则三段论 : 定锚点,去噪点,取数据 ,它是整个正则处理过程中的灵魂,它贯穿整个正则撰写过程。
下面举例说明它的思想,示例六:
源数据:标题:深入正则表达式应用,作者:Zjmainstay 需求:匹配作者名字
我要从源数据取到 Zjmainstay 这个作者名,那么,在这里, 作者: 就是我们所说的锚点,因为在上面这段数据中它能够唯一定位到我们的数据 Zjmainstay (就在它后面),因此,我们得到
(1) 定锚点: 作者:
而在这里,我们不需要关心标题什么的,因此, 标题:深入正则表达式应用, 就是我们的噪点,因此,我们得到
(2) 去噪点
最后,我们确定 作者: 后面就是我们的数据,这个数据可以是任意字符,因此,我们得到正则:
作者:(.*)
而噪点部分,因为不会对数据取值造成干扰,直接去掉,不需要引入正则中。
下面再举一个噪点干扰的例子,示例七:
源数据: <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 需求:提取链接和标题,还有a标签的文字
看到这个源数据和需求,我们必须定位好锚点,主要有:
<a
//必须是a标签 href=" 和 "
//href=""的内容得到链接 title=" 和 "
//title=""的内容得到标题 > 和 </a>
//>和的内容得到标签文字 然后,其他的都是噪点,使用.*?替代,需要提取的数据部分使用括号获取子模式,得到分组数据,因此得到正则:
<a href="(.*?)".*?title="(.*?)">(.*?)</a>
看到这里,也许有朋友觉得,我还是不会写,那么,再来一个更简单的构建方法,细化步骤,从源串逐步得到正则,示例八:
1. 直接拷贝源串,特殊字符处理转义(本例没特殊字符) <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 2. 从左到右,一段段转化 2.1 <a href="(.*?)" class="demo8" title="正则三段论应用举例">正则表达式入门教程</a> 2.2 <a href="(.*?)".*?title="正则三段论应用举例">正则表达式入门教程</a> 2.3 <a href="(.*?)".*?title="(.*?)">正则表达式入门教程</a> 2.4 <a href="(.*?)".*?title="(.*?)">(.*?)</a> 3. 得到最终的正则 <a href="(.*?)".*?title="(.*?)">(.*?)</a>
至此,正则三段论的基本思想已经展示完毕,大家还有什么不解请评论留言,本人看到会第一时间给予回复。
熟悉正则三段论处理思想,剩下的便是基本语义的熟练程度了,这个通过多用多练可以达到熟能生巧的境界。
最后留下一句 至尊提醒 : .
是 万能字符 ,大家看着用,遇到换行使用 [/s/S]
替换 .
即可。
(完)