正则基础之——捕获组(capture group)
1概述1.1什么是捕获组捕获组就是把正则表达式中子表达式匹配的内容,保存到内存中以数字编号或显式命名的组里,方便后面引用。当然,这种引用既可以是在正则表达式内部,也可以是在正则表达式外部。 捕获组有两种形式,一种是普通捕获组,另一种是命名捕获组,通常所说的捕获组指的是普通捕获组。语法如下: 普通捕获组:(Expression) 命名捕获组:(?<name>Expression) 普通捕获组在大多数支持正则表达式的语言或工具中都是支持的,而命名捕获组目前只有.NET、PHP、Python等部分语言支持,据说Java会在7.0中提供对这一特性的支持。上面给出的命名捕获组的语法是.NET中的语法,另外在.NET中使用(?’name’Expression)与使用(?<name>Expression)是等价的。在PHP和Python中命名捕获组语法为:(?P<name>Expression)。 另外需要说明的一点是,除(Expression)和(?<name>Expression)语法外,其它的(?...)语法都不是捕获组。 1.2捕获组编号规则编号规则指的是以数字为捕获组进行编号的规则,在普通捕获组或命名捕获组单独出现的正则表达式中,编号规则比较清晰,在普通捕获组与命名捕获组混合出现的正则表达式中,捕获组的编号规则稍显复杂。 在展开讨论之前,需要说明的是,编号为0的捕获组,指的是正则表达式整体,这一规则在支持捕获组的语言中,基本上都是适用的。下面对其它编号规则逐一展开讨论。 1.2.1普通捕获组编号规则如果没有显式为捕获组命名,即没有使用命名捕获组,那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下,捕获组的编号是按照“(”出现的顺序,从左到右,从1开始进行编号的。 正则表达式:(d{4})-(d{2}-(dd)) 上面的正则表达式可以用来匹配格式为yyyy-MM-dd的日期,为了在下表中得以区分,月和日分别采用了d{2}和dd这两种写法。 用以上正则表达式匹配字符串:2008-12-31,匹配结果为:
1.2.2命名捕获组编号规则命名捕获组通过显式命名,可以通过组名方便的访问到指定的组,而不需要去一个个的数编号,同时避免了在正则表达式扩展过程中,捕获组的增加或减少对引用结果导致的不可控。 不过容易忽略的是,命名捕获组也参与了编号的,在只有命名捕获组的情况下,捕获组的编号也是按照“(”出现的顺序,从左到右,从1开始进行编号的。 正则表达式:(?<year>d{4})-(?<date>d{2}-(?<day>dd)) 用以上正则表达式匹配字符串:2008-12-31 匹配结果为:
1.2.3普通捕获组与命名捕获组混合编号规则当一个正则表达式中,普通捕获组与命名捕获组混合出现时,捕获组的编号规则稍显复杂。对于其中的命名捕获组,随时都可以通过组名进行访问,而对于普通捕获组,则只能通过确定其编号后进行访问。 混合方式的捕获组编号,首先按照普通捕获组中“(”出现的先后顺序,从左到右,从1开始进行编号,当普通捕获组编号完成后,再按命名捕获组中“(”出现的先后顺序,从左到右,接着普通捕获组的编号值继续进行编号。 也就是先忽略命名捕获组,对普通捕获组进行编号,当普通捕获组完成编号后,再对命名捕获组进行编号。 正则表达式:(d{4})-(?<date>d{2}-(dd)) 用以上正则表达式匹配字符串:2008-12-31,匹配结果为:
2捕获组的引用对捕获组的引用一般有以下几种: 1)正则表达式中,对前面捕获组捕获的内容进行引用,称为反向引用; 2)正则表达式中,(?(name)yes|no)的条件判断结构; 3)在程序中,对捕获组捕获内容的引用。 2.1反向引用捕获组捕获到的内容,不仅可以在正则表达式外部通过程序进行引用,也可以在正则表达式内部进行引用,这种引用方式就是反向引用。 反向引用的作用通常是用来查找或限定重复,限定指定标识配对出现等等。 对于普通捕获组和命名捕获组的引用,语法如下: 普通捕获组反向引用:k<number>,通常简写为number 命名捕获组反向引用:k<name>或者k'name' 普通捕获组反向引用中number是十进制的数字,即捕获组的编号;命名捕获组反向引用中的name为命名捕获组的组名。 反向引用涉及到的内容比较多,后续单独说明。 2.2条件判断表达式条件判断结构在平衡组中谈到过,基本应用和扩展应用都可以在其中找到例子,这里不再赘述,请参考.NET正则基础之——平衡组。 2.3程序中引用根据语言的不同,程序中对捕获组引用的方式也有所不同,下面就JavaScript和.NET进行举例说明。 2.3.1JavaScript中的引用由于JavaScript中不支持命名捕获组,所以对于捕获组的引用就只支持普通捕获组的反向引用和$number方式的引用。程序中的引用一般在替换和匹配时使用。 注:以下应用举例仅考虑简单应用场景,对于<ahref="javascript:document.write('<b>hello</b>')"/>这种复杂场景暂不考虑。 1)在Replace中引用,通常是通过$number方式引用。 举例:替换掉html标签中的属性。 <textareaid="result"rows="10"cols="100"></textarea> <scripttype="text/javascript"> var data = "<table id="test"><tr class="light"><td> test </td></tr></table>"; var reg = /<([a-z]+)[^>]*>/ig; document.getElementById("result").value = data.replace(reg,"<$1>"); </script> //输出 <table><tr><td> test </td></tr></table> 2) 在匹配时的引用,通常通过RegExp.$number方式引用。 举例:同时获取<img…>中的src和name属性值,属性的顺序不固定。参考一条正则能不能同时取出一个img标记的src和name? <textarea id="result" rows="10" cols="100"></textarea> <script type="text/javascript"> var data = [' <img alt="" border="0" name="g6-o44-1" onload="DrawImage" src="/bmp/foo1.jpg" />',' <img src="/bmp/foo2.jpg" alt="" border="0" name="g6-o44-2" onload="DrawImage" />'] ; var reg = /<imgb(?=(?:(?!name=).)*name=(['"]?)([^'"s>]+)1)(?:(?!src=).)*src=(['"]?)([^'"s>]+)3[^>]*>/i; for(var i=0;i<data.length;i++) { var s = data[i]; document.getElementById("result").value += "源字符串:" + s + "n"; document.write("<br />"); if(reg.test(s)) { document.getElementById("result").value += "name: " + RegExp.$2 + "n"; document.getElementById("result").value += "src: " + RegExp.$4 + "n"; } } </script> 2.3.2.NET中的引用由于.NET支持命名捕获组,所以在.NET中的引用方式会多一些。通常也是在两种场景下应用,一是替换,一是匹配。 1)替换中的引用 普通捕获组:$number 命名捕获组:${name} 替换中应用,仍是上面的例子。 举例:替换掉html标签中的属性。使用普通捕获组。 string data ="<table id="test"><tr class="light"><td> test </td></tr></table>"; richTextBox2.Text = Regex.Replace(data,@"(?i)<([a-z]+)[^>]*>","<$1>"); //输出 <table><tr><td> test </td></tr></table> 使用命名捕获组。 string data ="<table id="test"><tr class="light"><td> test </td></tr></table>"; richTextBox2.Text = Regex.Replace(data,@"(?i)<(?<tag>[a-z]+)[^>]*>","<${tag}>"); //输出 <table><tr><td> test </td></tr></table> 2)匹配后的引用 对于匹配结果中捕获组捕获内容的引用,可以通过Groups和Result对象进行引用。 string test = "<a href="http://www.csdn.net">CSDN</a>"; Regex reg = new Regex(@"(?is)<a(?:(?!href=).)*href=(['""]?)(?<url>[^""'s>]*)1[^>]*>(?<text>(?:(?!</a>).)*)</a>"); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += "m.Value |