加入收藏 | 设为首页 | 会员中心 | 我要投稿 李大同 (https://www.lidatong.com.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 百科 > 正文

正则表达式详解(贪婪与懒惰、前瞻与后顾、后向引用等)

发布时间:2020-12-14 00:36:13 所属栏目:百科 来源:网络整理
导读:之前嫌正则麻烦,一直没有深入去了解过正则,能不用的地方就不使用。 最近项目中遇到了不可避免的正则使用,所以花了点时间去了解并整理了一下,理解不一定完全准确,如有不对欢迎指出,希望对大家有所帮助。 名词解释 (这部分其实可以不看) 首先我们了解
之前嫌正则麻烦,一直没有深入去了解过正则,能不用的地方就不使用。
最近项目中遇到了不可避免的正则使用,所以花了点时间去了解并整理了一下,理解不一定完全准确,如有不对欢迎指出,希望对大家有所帮助。

名词解释

(这部分其实可以不看)
首先我们了解几个名词:元字符 、 普通字符、打印字符、非打印字符、 限定符 、定位符、非打印字符

元字符:
可以简单理解为变成语言中的关键字,在正则匹配时会有特殊的语义,不能当做普通字符直接使用,类似于 * ^ ? 等等一类的字符,如果需要直接使用元字符,需要使用 +元字符的方式,比如 要匹配 * 号 则正则应该写成 *

普通字符:
普通字符就是包括所有的非元字符在内的打印字符和非打印字符

打印字符:
普通的字符,没有特殊含义 a-zA-z0-9等

非打印字符:
+普通字符组成的一些不会在打印时显示出来的字符,比如换行符、换页符等等

正则表达式所有特殊字符

(不懂的可以后面回来看)
字符 描述
将下一个字符标记为一个特殊字符、或一个原义字符、或一个 向后引用、或一个八进制转义符。例如,'n' 匹配字符 "n"。'n' 匹配一个换行符。序列 '' 匹配 "" 而 "(" 则匹配 "("。
^ 匹配输入字符串的开始位置。如果设置了 RegExp 对象的 Multiline 属性,^ 也匹配 'n' 或 'r' 之后的位置。
$ 匹配输入字符串的结束位置。如果设置了RegExp 对象的 Multiline 属性,$ 也匹配 'n' 或 'r' 之前的位置。
* 匹配前面的子表达式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。* 等价于{0,}。
+ 匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,sans-serif;border:1px solid #C0C0C0;border-collapse:collapse;padding:3px;"> ? 匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。
{n} n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。
{n,} n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。
m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。例如,"o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。
当该字符紧跟在任何一个其他限制符 (*,+,?,{n},{n,},m}) 后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串 "oooo",'o+?' 将匹配单个 "o",而 'o+' 将匹配所有 'o'。
. 匹配除 "n" 之外的任何单个字符。要匹配包括 'n' 在内的任何字符,请使用象 '[.n]' 的模式。
(pattern) 匹配 pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到,在VBScript 中使用 SubMatches 集合,在JScript 中则使用 $0…$9 属性。要匹配圆括号字符,请使用 '(' 或 ')'。
(?:pattern) 匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如, 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。
(?=pattern) 正向预查,在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如,'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ,但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。
(?!pattern) 负向预查,在任何不匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows",但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始
x|y 匹配 x 或 y。例如,'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。
[xyz] 字符集合。匹配所包含的任意一个字符。例如, '[abc]' 可以匹配 "plain" 中的 'a'。
[^xyz] 负值字符集合。匹配未包含的任意字符。例如, '[^abc]' 可以匹配 "plain" 中的'p'。
[a-z] 字符范围。匹配指定范围内的任意字符。例如,'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。
[^a-z] 负值字符范围。匹配任何不在指定范围内的任意字符。例如,'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。
b 匹配一个单词边界,也就是指单词和空格间的位置。例如, 'erb' 可以匹配"never" 中的 'er',但不能匹配 "verb" 中的 'er'。
B 匹配非单词边界。'erB' 能匹配 "verb" 中的 'er',但不能匹配 "never" 中的 'er'。
cx 匹配由 x 指明的控制字符。例如, cM 匹配一个 Control-M 或回车符。x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。
d 匹配一个数字字符。等价于 [0-9]。
D 匹配一个非数字字符。等价于 [^0-9]。
f 匹配一个换页符。等价于 x0c 和 cL。
n 匹配一个换行符。等价于 x0a 和 cJ。
r 匹配一个回车符。等价于 x0d 和 cM。
s 匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ fnrtv]。
S 匹配任何非空白字符。等价于 [^ fnrtv]。
t 匹配一个制表符。等价于 x09 和 cI。
v 匹配一个垂直制表符。等价于 x0b 和 cK。
w 匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。
W 匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。
xn 匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如,'x41' 匹配 "A"。'x041' 则等价于 'x04' & "1"。正则表达式中可以使用 ASCII 编码。.
num 匹配 num,其中 num 是一个正整数。对所获取的匹配的引用。例如,'(.)1' 匹配两个连续的相同字符。
标识一个八进制转义值或一个向后引用。如果 n 之前至少 n 个获取的子表达式,则 n 为向后引用。否则,如果 n 为八进制数字 (0-7),则 n 为一个八进制转义值。
nm 标识一个八进制转义值或一个向后引用。如果 nm 之前至少有 nm 个获得子表达式,则 nm 为向后引用。如果 nm 之前至少有 n 个获取,则 n 为一个后跟文字 m 的向后引用。如果前面的条件都不满足,若 n 和 m 均为八进制数字 (0-7),则 nm 将匹配八进制转义值 nm。
nml 如果 n 为八进制数字 (0-3),且 m 和 l 均为八进制数字 (0-7),则匹配八进制转义值 nml。
un 匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如, u00A9 匹配版权符号 (?)。

限定符

限定符也可称为量词,用于限定前面单位字符出现次数的特殊语义符号。
主要形式
{n,m} 表示前面的字符中至少出现n次,最多出现m次;其中 n和m为非负整数,n不能为空,m可以为空,m>=n,即存在以下变形
{n} n为非负整数,表示前面的字符出现n次
{n,} n为非负整数,表示前面的字符至少出现n次

? 前面的字符出现 0 次 或 1次 ,同 {0,1}
+ 前面的字符出现 1次 或 多次,同 {1,}
* 前面的字符出现 0此或者 多次,同 {0,}
贪婪匹配与懒惰匹配
限定符中有贪婪匹配和懒惰匹配的区别,一般情况下,限定符会执行贪婪匹配,即尽可能的匹配更多的字符,也就是有更长的匹配结果的时候,会返回更长的返回结果。懒惰匹配则相反,会尽可能的匹配更少的字符,即返回较短的匹配的结果,如果需要使用懒惰匹配,需要在限定符后面额外加一个问号(即?)。

下面用一个例子说明。
存在待匹配字符串
aaaaabaab
则,以下贪婪限定正则的匹配结果为
.*b -> aaaaabaab
.+b -> aaaaabaab
a? -> a
a* -> aaaaa
a+ -> aaaaa
a{2,5} -> aaaaa
假如使用懒惰匹配模式
.*b? -> aaaaab
.+b? -> aaaaab
a?? -> 结果为空
a*? -> 结果为空
a+? -> a
a{2,5}? -> aa

虽然懒惰匹配会返回较短的匹配结果,但并不会出现忽略匹配的情况,即上面的例子中
.*b? 的结果为 aaaaab 而不是 ab,
而假如在上面的基础上再加一个正则
a{2,5}?b 结果应为 aaaaab 而不为 aab
这是因为正则是从左向右解析的,解析会从最开始匹配到的符合条件的字符开始,然后按照正则中的定义去匹配后面字符,而不会跳过符合条件的字符去进行匹配。


定位符

用于匹配字符的边界位置,比如字符串的开头与结尾,单词的开头与结尾等。
主要有
^ 匹配输入字符串开始的位置;如果设置了 RegExp 对象的 Multiline 属性,^ 还会与 n 或 r 之后的位置匹配。
$ 匹配输入字符串结尾的位置;如果设置了 RegExp 对象的 Multiline 属性,$ 还会与 n 或 r 之前的位置匹配。
b 匹配一个单词边界,也就是指单词和空格间的位置,但匹配结果并不包括空格。比如 "ee abcd abc bcd ff", bbc.* 匹配结果为"bc bcd ff", bcb.* 匹配结果"bc bcd ff"
B 非词边界匹配,匹配没有空格的字符边界。即 bcB可以匹配上例中的 abcd 和 bcd(因为bc和d之间没有空格),但不能匹配" bcd" ; Bbc可以匹配 abcd 和 abc ,因为 a和bc之间没有空格。

中括号匹配

匹配所有中括号中的字符,并且只匹配一次。
如:
[abc]123 可匹配 a123、b123、c123
可使用 -号指定连续范围
[0-9] 指定所有数字 ,等价于 d


捕获分组(圆括号匹配)

先看下面两个例子:
1.假如有字符串 3cd
则 “(d)cd ”匹配结果为 3cd 和 3

2.假如有字符串 6cd
则 (3|6)cd 匹配结果为 6cd 和 6

括号里面的匹配则为捕获匹配,且括号里面的匹配结果将会被缓存 ,第一个例子括号里的括号匹配的结果为3,第二个括号里匹配结果为6
如果想消除缓存,可以在括号最前面加上 ?:
1中 (?:d)cd 匹配结果为 3cd,等价于 [d]cd 或 dcd
2中 (?:3|6)cd 匹配结果为 6cd,等价于 [3|6]cd

捕获分组形式
主要有:
(pattern)
匹配 pattern 并捕获该匹配的子表达式。可以使用 $0...$9 属性从结果“匹配”集合中检索捕获的匹配(包含整个正则的匹配及括号中的子表达式的匹配结果,即上例子中的3cd 和 3,6cd和 6)。

(?:pattern)
匹配 pattern 但不捕获该pattern子表达式的匹配,即它是一个非获取捕获匹配,不存储子表达式的匹配供以后使用。有时对于用“或”字符 (|) 组合模式部件的情况很有用。例如,与“interesting|interested”相比,“interest(?:ing| ed)”是一个更加简单的表达式。
(?=pattern)
执行肯定式前瞻搜索的子表达式,该表达式匹配处于匹配 pattern 的字符串的起始点的字符串。它是一个非捕获匹配,即不能捕获供以后使用的匹配。例如,“Windows (?=95| 98| NT| 2000)”与“Windows 2000”中的“Windows”匹配,但不与“Windows 3.1”中的“Windows”匹配。
前瞻搜索不占用字符,即发生匹配后,下一匹配的搜索紧随上一匹配之后,而不是在组成前瞻搜索的字符后(即pattern匹配的内容还可以在后续的表达式中进行解析使用,相当于尚未解析到pattern内容)。

(?!pattern)
执行否定式前瞻搜索的子表达式,该表达式匹配不处于匹配 pattern 的字符串的起始点的搜索字符串。它是一个非捕获匹配,即不能捕获供以后使用的匹配。例如,“Windows (?!95| 98| NT| 2000)”与“Windows 3.1”中的“Windows”匹配,但不与“Windows 2000”中的“Windows”匹配。
前瞻搜索不占用字符,即发生匹配后,下一匹配的搜索紧随上一匹配之后,而不是在组成前瞻搜索的字符后(即pattern匹配的内容还可以在后续的表达式中进行解析使用,相当于尚未解析到pattern内容)。


前瞻(Lookahead)和后顾(Lookbehind)
为了说明(?=pattern) 和 (?!pattern) 的作用和区别,这里说下两个概念--前瞻(Lookahead)和后顾(Lookbehind)。
这两个术语形象的描述了正则引擎的匹配行为。
正则表达式中的前和后并不指代文本的开头和末尾,即不是通常理解中的,开头的方向称作“前面”,文本末尾方向称为“后面”。对于正则表达式引擎来说,它一般是从文本头部向尾部开始解析的(可以通过正则选项控制解析方向),因此对于文本尾部方向,称为“前”,即正则引擎还没未解析的部分,而对文本头部方向,则称为“后”,即正则引擎已经解析的部分。
可以理解为解析的时候有一个游标,在解析 aaabccc时,当游标在b时,aaa部分为后顾部分,ccc部分为前瞻部分。
所谓的前瞻就是在正则表达式匹配到某个字符的时候,往“尚未解析过的文本”预先看一下,看是不是符合/不符合匹配模式,而后顾,就是在正则引擎已经匹配过的文本看看是不是符合/不符合匹配模式。符合和不符合特定匹配模式我们又称为肯定式匹配和否定式匹配。
即前瞻的形式为:
(?=pattern) 为肯定式前瞻,(?!pattern) 为 否定式前瞻
后顾则用的比较少,形式为
(?<=pattern) 肯定式后顾 , (?<!pattern) 否定式后顾



为了进一步说明(?=pattern) 和 (?!pattern) 的区别,这里看个例子:
例子1(此处演示区别):
下面为三个正则
interest(?:ing)
interest(?=ing)
interest(?!ing)
如果匹配 字符串 “interesting",结果依次为
interesting
interest
如果匹配字符串 ”insterested",结果依次为
interest

例子2(此例子演示不消耗/占用前瞻字符)
存在正则
windows (?=2000|2003|xp) pro
windows (?=2000|2003|xp)(?:2000|2003|xp) pro
解析字符串 windows 2003 pro时,结果依次为
windows 2003 pro

原因是前瞻不消耗字符(用游标理解相当于游标还在2003前的空格处),故第一个正则表达式在解析匹配了windows (?=2000|2003|xp)部分后,未解析的字符串还有 2003 pro,但后面的正则为 出现 " pro",明显不符合匹配。
而第二个正则在后面使用非捕获捕获匹配,解析了 2003 ,再解析 “ pro” ,顾成功匹配。


后向引用
捕获分组可以进行 后向引用 (如果正则表达式后面有相同的捕获分组内容,可以根据顺序直接引用前面定义的捕获组,简化表达式)
(d)cd1 这里的"1"就是对"(d)"的后向引用,等同于(d)cd(d)

(a)(b)(ac).* 123
等价于
(a)(b)(ac).* (a)(b)(ac)

(a)(b)(ac).* 133
等价于
(a)(b)(ac).* (a)(ac)(ac)

(a)(b)(ac).* 233
等价于
(a)(b)(ac).* (b)(ac)(ac)

(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!

    推荐文章
      热点阅读