正则表达式 Regular Expression
发布时间：2020-12-13 19:53:39 所属栏目：百科 来源：网络整理
导读：http://www.cnblogs.com/lovewife/articles/1438417.html 字符的表示 1. 普通字符，特殊字符： 特殊字符：.|*?+(){}[]^$，相当于语言的关键字，这些字符前面加转义符""表示字符本身，否则就作为正则表达式特殊用途字符。 特殊转义字符：下表主要针对.Net的
|
http://www.cnblogs.com/lovewife/articles/1438417.html
字符的表示
2. 字符枚举：中括号括起来，例如[abc]表示出现a,b,c中任意一个字符都可以；[^abc]则匹配除了a,c之外的任意一个字符。 3. 字符范围：[a-zA-Z0-9]。 4. 综合表示：
Alternation,Condition Constructs（等价、条件式结构） 1. Alternation Construct: (pattern1)|(pattern2)，子表达式1或者2任意一个匹配就匹配成功。 2. Condition Construct: (?(expression)(patternYes)|(patternNo))，如果符合expression，则使用patternYes子表达式进行匹配，否则使用patternNo进行匹配。expression也可以是backreference中的group名字，backreference后面详细讲述。这个语法形式是.Net正则表达式的，其它正则表达式引擎也有支持条件式结构的，但语法可能不一样。 例如正则式(?(d{4})((19|20)d{2})|(d{2}))匹配文本串"2004年 98年"，结果是"2004","98"，其中"2004"是使用patternYes部分匹配出来的，而"98"是使用patternNo部分。 Quantifier（量词） 指表达式需要重复匹配多少次。 * 0或多次 + 1或多次 ? 作为量词时表示0或１次，在其它量词后面出现时作为greedy,lazy/non-greedy模式开关。 {n} n次 {n,} 最少n次 {n,m} 最少n次，最多m次 *?,+?,{n}?,{n,}?,m}? 开启lazy/non-greedy模式，例如{n,m}表示最少n次，最多m次，在这个范围内尽可能少的匹配。 greedy,lazy/non-greedy模式参考下面相关部分。 Zero-Width Assertions（零宽度断言） 这种结构产生的匹配结果长度为0（所以称作零宽度），只是用于对上下文环境做判断（所以称作断言）。 ^ 如果使用Multiline选项，匹配每一行的开始位置；如果使用Singleline选项，匹配整个字符串开始位置。^如果出现在[]中就不是Zero-Width Assertion了。 $ 如果使用Multiline选项，匹配每一行的结束位置（n之前）；如果使用Singleline选项，匹配整个字符串结束位置。 A 忽略Multiline选项（相当于取消Multiline选项并设置Singleline选项），匹配整个字符串开始位置。 Z 忽略Multiline选项，匹配整个字符串结束位置，中间的n不会考虑。.Net中z和Z的效果完全一样，不知道是bug还是怎么回事。 前面提到的条件式结构，以及b如果不是出现在[]中，都是Zero-Width Assertions；后面将会讲到的lookahead,lookbehind也是一种Zero-Width Assertion。 Multiline,Singleline等，参考正则表达式选项部分。 Greedy,Lazy/Non-greedy（贪婪模式，惰性模式） 在使用quantifier量词修饰，需要执行重复n次的匹配中，greedy模式尽可能多的匹配更多字符，而lazy/non-greedy模式则尽可能少的匹配字符。 NFA（参考后面NFA,DFA部分）默认都是采用greedy模式，而当今主要正则表达式引擎都是NFA，因此注意greedy模式的影响。将greedy模式改为non-greedy，在量词修饰符后面添加"?"实现。例如NFA中w+为greedy模式，w+?为non-greedy模式。 文本串为："dxxxdxxxd"，greedy模式：
文本串为："dxxxdxxxd"，non-greedy模式：
Group,Back Reference（分组、反向引用） 正则表达式引擎不仅记录最终的匹配结果，使用()括起来的子表达式匹配到的文本串，在匹配过程中也会记录下来。在.Net中，可以使用Match.Groups访问某个匹配结果的所有分组。 没有指定名称的分组称为匿名分组，对所有的匿名分组都默认有一个组号。.Net中组号为０的分组是整个正则表达式，而不管这个正则表达式是否使用()括起来了。对于其它的匿名分组，根据左括号出现的先后位置依次从１开始编号。例如表达式((abc)d+)?(xyz)(.*)总共有５个分组，依次为0:((abc)d+)?(xyz)(.*),1:((abc)d+),2:(abc),3:(xyz),4:(.*)。 可以对分组命名，.Net中命名方法:(?<groupName>patterns)。如果存在命名分组，则所有命名分组的编号将从最后一个匿名分组的位置开始，依次递增。例如表达式((?<group1>abc)d+)?(?<group2>xyz)(.*)的5个分组依次为0:((?<group1>abc)d+)?(?<group2>xyz)(.*),1:((?<group1>abc)d+),2:(.*),3:(?<group1>abc),4:(?<group2>xyz)。 在表达式的后面部分引用前面的某一个子表达式分组叫做反向引用。 对于匿名分组的反向引用方法是"" 加上分组编号，对于命名分组，.Net中的引用方法是k<groupName>。
可以禁止正则表达式记录某个分组的匹配结果，这样的分组也就不会被编号，无法被反向引用。禁止分组使用(?:patterns)，例如表达式abc(?:w{3})(d+)abc总共有两个分组，组号0为整个表达式，组号1为(d+)。 .Net中，1到9总是被当作反向引用；12这种类型，如果存在编号为12的分组，则作为反向引用，否则将12转义为ASCII字符，为了消除这种歧意，可以使用k<n>这种方式。 注意：.Net中分组命名时尖括号<,>可以使用单引号代替。 Lookahead,Lookbehind（正向预搜索、反向预搜索） 匹配当前的某一个子表达式时，可能需要根据前面或者后面出现的字符进行判断（即上下文环境），lookahead、lookbehind就是用于这个目的。 NFA以文本串作为有穷输入字符集Σ，从文本串逐个读取字符进行匹配，所以沿着字符读取方向的是lookahead，与字符读取方向相反则为lookbehind。 lookahead: (?=patterns),(?!patterns)。lookbehind: (?<=patterns),(?<!patterns)。
Options（正则表达式选项） JavaScript的正则表达式，使用/gi这样的开关控制正则表达式选项 。.Net中可以使用RegexOptions枚举进行全局设置，可以在分组表达式中使用(?imnsx-imnsx:patterns)方式，在这个分组内开启或禁用某些选项，也可以在表达式的中间使用(?imnsx-imnsx)，从中间这个位置开始开启或禁用某些选项。全局RegexOptions的优先级低于嵌入方式。 嵌入方式中imnsx表示打开某种选项或选项的组合，前面添加减号"-"表示关闭这些选项。例如(?ix-ms)表示从这个位置开始，打开IgnoreCase、IgnorePatternWhiteSpace选项，关闭Multiline、Singleline选项。 嵌入方式修改正则表达式选项，也叫做Modifier。
NFA,DFA 正则表达式引擎的两种类型，NFA: Nondeterministic Finite Automata,DFA: Deterministic Finite Automaton。 NFA基于正则表达式去匹配文本（文本作为有穷字母表Σ），而DFA是基于文本去匹配正则表达式。DFA捏着文本串去比较正则式，看到一个子正则式，就把可能的匹配串全标注出来，然后再看正则式的下一个部分，根据新的匹配结果更新标注。而NFA是捏着正则式去比文本，吃掉一个字符，就把它跟正则式比较，匹配就记下来，然后接着往下干。一旦不匹配，就把刚吃的这个字符吐出来，一个个的吐，直到回到上一次匹配的地方。把多吃的字符吐出部分重新匹配的过程叫做backtracking（回溯）。 .Net中可以使用(?>patterns)，禁止对这个子表达式进行回溯，即对输入字符backtracking过程中，一旦遇到这个子表达式已经匹配的字符，就停止backtracking。下面示例演示了这个效果：
NFA、DFA主要对比： 1. DFA对文本串只扫描一次，速度快（时间与有穷字母表Σ的大小成线性关系），但特性少；NFA需反复扫描文本串，速度慢，但特性多。目前主要正则表达式引擎基本都是NFA，例如Perl、Java、.Net、Python、Td、Emacs，DFA的引擎有awk、egrep、lex。 2. NFA最左子正则式优先匹配，DFA是最长左子正则式优先匹配。 3. 只有NFA支持lazy、backtracking、backreference，NFA缺省使用greedy模式，NFA可能陷入递归陷阱导致性能极差。DFA只包含有穷状态，匹配过程中无法捕获子表达式（分组）的匹配结果，因此也无法支持backreference。 有另一种NFA引擎，叫做POSIX NFA引擎。传统NFA在backtracking时，只要当前位置上的最左子正则式匹配成功就停止；而POSIX NFA会继续尝试backtracking，以试图像DFA一样找到最长左子正则式。因此POSIX NFA速度更慢。
详细的NFA、DFA定义、算法，参考编译原理。 附加说明 1. 正则表达式在发展过程中，形成了很多版本的引擎，最基本的为grep，为了使grep具备更多特性而扩展出egrep， 目前使用的大多数正则引擎都是backtracking型的NFA。不同的正则表达式引擎之间，实现上多少也都有些差别，并且开发商还可能作出特有的扩展、语法形式等。因此，这就意味着并不是同一个正则表达式就会适用于所有的环境，例如.Net中的正则表达式，就不一定能在Java、Python、Unix中工作，这在网上查找正则表达式资源时需要注意。 2. 使用传统NFA，书写正则表达式需要特别注意性能问题，否则很容易导致死循环、性能极差等情况。 对正则表达式依赖性比较强的系统（大量使用正则做搜索匹配），最好完全掌握NFA->DFA算法，充分理解所使用的正则表达式引擎的原理和特性。 可以通过减少表达式中的模糊匹配、限制回溯等方法，将传统NFA的性能从多项式优化到线形关系，这完全取决于正则式的写法。 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |