正则表达式的秘密（三）构成元素与方法 中

传达室老大爷
577 阅读1分钟

构成元素与方法 中

书接上回

使用上一节介绍的基本元素，你已经可以自己构建一些固定结构的表达式了。比如匹配任意一个IP地址12.1.242.1, 我们可以使用元字符+量词的方式匹配，比如^[0-2]?\d?\d\.[0-2]?\d?\d\.[0-2]?\d?\d\.[0-2]?\d?\d$

但这么写的话299.299.299.299也能匹配了，显然超出了IP地址的范围，而且代码看起来不是那么简洁对吧，里面有很多重复项。那如何让正则更灵活，更简洁，更有效呢？ 我们带着这个问题往下看吧。

子组 （）

也就是我们常见的小括号（），首先它可以进行嵌套，但这并不影响从左到右的匹配顺序，这和运算中的括号是两码事。

它的功能很强大，我总结了一下，主要有6个：

  1. 限定量词的使用范围，如\w\d{5}和(\w\d){5}匹配结果是不一样的，前者匹配1个字符和5个数字共6位，后者匹配5个（字符+数字组合）共10位；

  2. 将可选分支|局部化，可选分支默认是整体的，如(cat)(dog)|(ant)匹配catdog或ant，而使用了子组后(cat)(dog|ant)匹配的是catdog或catant，可选分支变为了子组里面的内容；

  3. 单独捕获匹配结果，如果不用子组的话，正则返回值是整个匹配字符串，而用了子组后，在返回整个字符串同时，还能返回该子组的匹配结果，用来做数据提取非常方便！

  4. 后向引用，可以直接引用前面子组成功捕获的结果。

  5. 根据判断条件，选择可选分支，这是条件子组的应用。

  6. 代码注释，直接在正则表达式中进行注释，方法是（？@后面跟注释内容）

1和6都没什么可说的，我重点说一下2,3,4,5.

可选分支|局部化

这里讲一个我曾经犯错的例子：（a|b)*

我刚开始学正则，会把它理解成(a*|b*)，后来发现如果这么拆分的话，会有问题，（a*|b*)可以匹配任意个aaaa或者任意个bbbbb,但不能匹配a与b的组合aabb/abababab;

正确的翻译是，(a|b)是要当作一个整体去看，那么（a|b)*实际等价的是’(a|b)(a|b)(a|b)....'它可以匹配任意ab的组合，理解这个对我们之后讲递归正则很有用。

捕获子组与引用 \g{n}

捕获Catch的意思就是匹配成功。捕获的目的是为了引用。引用的目的是为了结构简单，避免重复。

子组默认都是捕获子组，匹配成功都会返回子组的匹配值（捕获值）。子组排序是按照从左到右的顺序，从1开始排。

但当一个子组是重复的时，捕获到的该子组的结果是最后一次迭代捕获的值。

这一点理解不到位就会犯错。

举个例子：表达式'\w*(\d{3})'匹配abc123456，在返回整个字符串的同时，还会返回(\d{3})子组的匹配值456; 但\w*(\d){3}的返回值，除了整个字符串外，捕获子组的返回值是6，理解了这一点，在使用的时候就一定要注意子组的范围；

ok，捕获到了之后该引用了。引用的意思就是将捕获值再调用。在正则中，引用都是后向的，也就是说被引用的内容必须出现在引用符号的前面。

通过方法\n或\gn或\g{n}进行引用，n代表子组的序号，我推荐使用\g{n}，因为结构更清晰

n可以是正数，0或负数。如果n为正数，表示从表达式开始正着数第n个子组；如果n为负数，就是从\g{n}前面倒着数第n个子组。举例：(foo)(bar)\g{-1} 可以匹配字符串 ”foobarbar”， (foo)(bar)\g{-2} 可以匹配 ”foobarfoo”.

如果n=0，\g{0}的含义就是引用表达式自身，这个我们在递归正则的时候具体讲。

引用时注意4点：

  1. 如果一个子组不能够得到匹配结果，此时任何对这个子组的后向引用也都会失败。

  2. 如果在表达式中没有足够多的捕获组，将会报错。

  3. 如果之前有一个子组是”非捕获子组“，则不计数排序，直接跳过。

  4. 后向引用的是前面子组的匹配结果，而不是特征，看下面两个例子：

     (sens|respons)e and \g{1}ibility 将会匹配 ”sense and sensibility” 和 ”response and responsibility”， 而不会匹配 ”sense and responsibility”。
 ((?i)rah)\s+\g{1} 匹配 ”rah rah”和”RAH RAH”，但是不会匹配 ”RAH rah”或rah RAH

我再举一个比较特殊的引用例子：针对可选分支的后向引用。正则可以把引用直接嵌套在可选分支中使用，以达到匹配递归数列的作用，很有意思！

表达式(a|b\g{1})+，这是一个自引用的案例，我们拆开看一下，

  1. 第一轮匹配：这时只能匹配字符串a，因为\g{1}还没有赋值，因为它所引用的对象(a|b\g{1})还没有得到匹配，而且分支b\g{1}没有意义无法匹配；

  2. 第二轮匹配：这个时候\g{1}的值已经被设为a，现在这个表达式就可以翻译成a(a|b(a))，可以匹配字符串aa或者aba，如果匹配aa,那么\g{1}之后每一轮的值都是a，这个表达式就可以匹配任意个a，但如果匹配aba，那么\g{1}的值就会被设置为ba，这是(a|b(a))第二轮的捕获值，然后我们再看第三轮；

  3. 第三轮匹配：\g{1}的值这个时候被设置为ba，现在这个表达式就可以翻译成aba(a|b(ba)),可以匹配abaa或ababba，说到这里应该就可以看出规律了，这个表达式可以匹配ababbabbbab...a的递归数列。

条件子组

条件子组给了我们更大的匹配灵活度，它会根据条件判断而去匹配不同的特征。

通过方法(?(condition)yes pattern|no pattern)来实现，如果condition满足，则执行yes pattern，如果不满足则执行no pattern，no pattern也可以为空，就不会执行任何匹配。如果有超过2个的可选子组，会报错。

上面的内容不难理解，下面是重点，这里的condition支持3种使用方法：

方法模式含义
(?(n)pattern)数字型引用将之前子组的捕获值，作为判断条件。子组匹配成功则为true，n是整数，可以为正，也可以为负，含义和后向引用一样，不再重复。
(?(R)pattern)递归式引用这里的R，指代的是整个表达式，如果表达式被递归调用的话，就会为true，但是在第一轮匹配时，条件总是false，因为第一轮的时候还没有发生递归调用；
?(断言)pattern)将断言作为条件这里的断言可以任意形式，前瞻，后顾，正，负都可以，断言的内容，我们下一节具体讲。

举例 数字型condition: (\))?[^()]+(?(1)\))这个表达式匹配一个没有括号的或者闭合括号包裹的字符串。拆分如下：

(\))? //配一个左括号，并且设置其为捕获值

[^()]+ //匹配一个或多个非括号字符

(?(1)\)) //是一个条件子组，它会测试第1个子组是否匹配，如果匹配到了，也就是说目标字符串以左括号开始，条件为true，那么使用 yes-pattern也就是这里需要匹配一个右括号)。其他情况下，既然 no-pattern 没有出现，这个子组就不匹配任何东西。

举例 递归式condition: A(?(R)B)(?R)?C 匹配AC或AABCC，我翻译一下：

第一轮匹配，首先匹配字符A；条件子组(?(R)B)不会匹配任何值，因为还没有进行递归；(?R)?表示递归0次或一次，这里我们先进行一个占位；最后匹配一个字符C，所以第一轮的匹配结果是A_C;

第二轮匹配，整个表达式进行递归，首先再次匹配字符A；然后(?(R)B)判断为true，匹配B；这里我们已经递归了一次，所以跳过(?R)，直接匹配C，将第二轮匹配的ABC插入到之前的占位符里，得到的结果就是AABCC；

欧克，子组的相关内容有点儿多，我分两篇讲，先总结一下，我们了解了子组和它的作用，并且知道了什么叫捕获以及后向引用，以及使用时的注意事项，最后说到了条件子组，并简单介绍了递归引用。

我们再回头看一下文章最开始的那个问题，如何用正则匹配任意一个IP地址，应用咱们今天学的内容。

  1. 第一步，分析目标基本结构。IP地址的范围从0.0.0.0-255.255.255.255，学过了引用的知识，我们只需要把第一个字段解决了，后面的3个字段直接引用就好，不需要再重复。
  2. 第二步，设置限制范围。0-255需要限制范围，否则就会出现刚开头提到的问题，这里就要用到子组+可选分支的结构，我们先看200-255这个范围，可以写成2(5[0-5]|4\d)
  3. 接下来看0-199这个范围，我们如果简单写成[01]?\d?\d，那么会造成299匹配成99，会把一个不合规的数据部分提取成合规的。我们要的效果是不合规的数据报错或完全不匹配。那么我们需要对目标位数和范围做更强的限定。
  4. 第三步位数和范围限定，我们先看3位数的情况100-199这个范围，可以用1\d\d来固定匹配。再看两位数的情况10-99这个范围，可以用[1-9]\d来固定匹配，最后一位数\d。这样还不够，我们还需要加上前后两个锚点：^(1\d\d|[1-9]\d|\d)\. 通过前后两个锚点和固定的位数限制，我们就限制死了对象的位数和范围，对于超出范围的值都不做任何匹配。
  5. 这里需要注意一个特殊情况，就是000,010，这类以0开头的3位数，我们通过0\d{2}来匹配。
  6. 第四步组合。我们设置了5个可选分支，先将最复杂的分支放在最前面^(2(5[0-5]|4\d)|1\d{2}|0\d{2}|[1-9]\d|\d)\. 后面3组就是对第一个子组的递归调用，形成最终结果：^^(2(5[0-5]|4\d)|1\d{2}|0\d{2}|[1-9]\d|\d)(\.(?1)){3}$
  7. 翻译一下，我这里用了递归引用，引用的是第一个子组的表达式。这里没有做后向引用，是因为后向引用的对象是子组捕获值，在这里引用捕获值是错的。另外将（.(?1)){3}放到一起然后重复3次，用到了这节最开始提到的子组与量词的搭配。

关于递归的详细知识，我会在后面详细讲，看到这里还没放弃的，下面的内容会更精彩！

学习不易，请勿私自转载，否则别怪老大爷不客气。

avatar
文章
阅读
粉丝