正则指引之断言
|
正则表达式中的大多数结构匹配的文本会出现在最终的匹配结果中（一般用group(0)可以得到），但是也有些结构并不真正匹配文本，而只负责判断在某个位置左/右侧的文本是否符合要求，这种结构被称为断言（assertion）。常见的断言有三类：单词边界，行起始/结束位置，环视。 单词边界 在文本处理中经常可能进行单词替换，比如把一段文本中的row都替换成line。一般想到的是调用字符串的替换方法，直接替换row。在不同语言中这些方法各不相同，但差别不大。 替换前：The row we are looking for is row 10. 替换后：The line we are looking for is line 10. 不过，这样替换也可能会造成意想不到的后果。 替换前：...tomorrow I will wear in brown standing in row 10 next to the rowdy guy... 替换后：...tomorline I will wear in blinen standing in line 10 next to the linedy guy... 不仅所有单词row都被替换成了line，其他单词内部的row也被替换成了line，这显然不是我们想要的结果。要解决这个问题，必须有办法确定单词row，而不是字符串row。为解决这类问题，正则表达式提供了专用的单词边界（word boundary），记为 b 。它匹配的是“单词边界”位置，而不是字符。也就是说， b 能够匹配这样的位置：一边是单词字符，另一边不是单词字符，匹配示例：
观察表格，可以发现两点：第一，单词边界并不区分左右，在“单词边界”上，可能只有左侧是单词字符，也可能只有右侧是单词字符，总的来说，单词字符只能出现在一侧； 第二，单词字符要求“另一边不是单词字符”，而不是“另一边的字符不是单词字符”，也就是说，一边必须出现单词字符，另一边可以出现非单词字符，也可能没有任何字符。所以，如果字符串只包含单词word，用 bwordb应该是可以匹配的，虽然w之前和d之后都没有任何字符。 单词边界要求一侧必须出现单词字符，到底什么是单词字符呢？ 一般情况下，“单词字符”的解释是 w 能匹配的字符。在javascript，PHP，Python2，Ruby中， w只能匹配 [0-9a-zA-z_]。所以在这些语言中， bw+b能准确匹配英文单词了。示例： //单词边界匹配
Stringtext="tomorrowIwillwearinbrownstandinginrow10nexttotherowdyguy";
Patternp=Pattern.compile("b(w+)b");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group(1));
}
但是也有些单词，bw+b是无能为力的，比如e-mail和M.I.T.。因为连字符-和点号. 都不能由 w 匹配，所以 bw+b无法匹配e-mail，也无法匹配M.I.T. 。如果确实希望处理e-mail之类的“单词”，也可以把表达式改为 b[-w]+b 。 与单词边界 b 对应的还有非单词边界 B ，两者的关系类似 s和S，w和W，d和D；在同一种语言中，不管 b 是如何规定的，b能匹配的位置，B就不能匹配；B能匹配的位置，b就不能匹配。但是在实际使用中，B使用频率远远少于 b。 行起始/结束位置 单词边界匹配的是某个位置而不是文本，在正则表达式中，这类匹配位置的元素叫做锚点（anchor），它用来“定位”到某个位置。常用的锚点还有^和$，它们分别匹配字符串的开始位置和结束位置，所以可以用来判断“整个字符串能否由表达式匹配”。依靠^，就可以用正则表达式^Some准确验证字符串“是否以Some开头”，因为^会把整个表达式的匹配“定位”在字符串的开始位置。这样，即便表达式的其他部分可以在字符串中其他位置找到匹配，整个表达式也无法匹配成功。 在某些情况下，^也可以匹配字符串内部的“行起始位置”。在讲解这种情况之前，我们先来看看怎么划分行。在编辑文本时，敲回车键就输入了行终止符（Line terminal），结束当前行，新起一行。看起来，这很好理解，然而不同平台上的行终止符其实各不相同，下表列出了各平台下的“行终止符”：
也就是说，每一行的“起始位置”，就是“行终止符”之后的那个位置，如果没有专门的符号，就要考虑各种“行终止符”。下面的例子看得更清楚，为了让换行符“可见”，我们用NL表示。 first line second line last line 它其实是下面这样，其中的NL可能是 n，也可能是 rn。 first lineNLsecond lineNLlast lineNL 如果把匹配模式设定为多行模式（Multiline Mode，这是一种影响元字符匹配的设定，后面在讲）下，^就即可以匹配整个字符串的起始位置，也可以匹配换行符之后的位置（设定多行模式最简单的办法是在正则表达式之前加上 (?m) ，这里虽然出现了括号，但因为是专用于指定匹配模式，所以不会作为捕获分组）。不过一般来说，^的主要用途是与其他子表达式配合，如下例那样提取每行的第一个单词： //提取每行的第一个单词
Stringtext="firstlinensecondlinernrlastline";
Patternp=Pattern.compile("(?m)^(w+)");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group(1));
}
如果不想定位到字符串内部的行起始位置，只关心整个字符串的起始位置，则可以使用 A ，绝大多数工具中的正则表达式都支持这个锚点，它在任何情况下（包括多行模式下）都只匹配整个字符串的起始位置，如例： //提取匹配整段文本的第一个单词
Stringtext="firstlinensecondlinernrlastline";
Patternp=Pattern.compile("(?m)A(w+)");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group(1));
}
“行结束位置”的情况更复杂。除去“行终止符”可能由各种字符表示的情况之外，“行结束位置”可能没有任何字符，你猜猜下面文本有几个行终止符？ 字符串：Some sample text 可能一：Some sample text 可能二：Some sample textNL 而且其中的NL可能是 n，也可能是 rn。如果要匹配字符串最后一个单词，不但必须考虑NL所对应字符的多种可能，而且要兼顾NL是否出现情况更加复杂。针对这种问题，正则表达式提供了“通吃”行结束符的锚点$，它匹配的同样是位置。通常它匹配的是整个字符串的结尾位置——如果最后是行终止符，则匹配行终止符之前的位置；否则，匹配最后一个字符之后的位置。也就是说，上面两种可能，$它都可以匹配。如例： //提取匹配每行的最后一个单词
Stringtext="firstlinensecondlinernrlastline";
Patternp=Pattern.compile("(?m)(w+)$");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group(1));
}
如果指定了多行模式，$会匹配每个行终止符之前的位置。如果最后一行没有行终止符，则匹配字符串的结尾位置，就如上面这个例子。 与$类似的还有两个特殊标记 Z 和 z ，它们不受多行模式的影响，在任何情况下都匹配整个字符串的结束位置。Z和z的主要差别在于：Z等价于默认模式（非多行模式）下的$，如果字符串的末尾有行终止符，则它匹配换行符之前的位置（也就是说不仅匹配换行符还能匹配什么也没有，与单行模式下的$一样）；z则不管行终止符，只匹配“整个字符串的结束位置”（也就是说不配置换行符）。示例如下： //Z与z的使用
Stringtext1="firstlinensecondlinernrlastline";
Stringtext2="firstlinensecondlinernrlastKKKrn";
Patternp1=Pattern.compile("(w+)z");
Patternp2=Pattern.compile("(w+)Z");
Matcherm1=p1.matcher(text1);
Matcherm2=p2.matcher(text2);
if(m1.find()){
System.out.println(m1.group(1));
}
if(m2.find()){
System.out.println(m2.group(1));
}
接着说^和$的另一个特点：进行正则表达式替换时并不会被替换。也就是说，在起始/结束位置进行替换，只会在起始/结束位置添加一些字符，位置本身仍然存在。^和$的另一个常用功能是删去多余的空白，包括行首尾的空白和空行。 环视 前面介绍过单词边界匹配的是这样的位置：一边是单词字符，另一边不是单词字符。从另一个角度来看，它能进行这样的判断：在某个位置向左/向右看，必须出现或不能出现某类字符。有时候，这种功能非常有用。 针对这种要求正则表达式专门提供了环视（look-around）用来“停在原地，四处张望”。环视类似单词边界，在它旁边的文本需要满足某种条件，而且本身不匹配任何字符。比如正则表达式 <(?!/)，其中的 (?!/)是一个环视结构，(?!...)是这个结构的标识，/才是真正的表达式，整个结构的意思是“当前位置之后（右侧），不容许出现 / 能匹配的文本”。看起来它和 <[^/]类似，其实大不相同：如果<(?!/)匹配成功，正则表达式真正匹配完成的只有<，而不包含<之后的那个字符，这样，就能准确表示“匹配<，同时这个<之后不能是/”。 再来看表达式 (?<!/)>，其中的(?<!/)也是一个环视结构，(?<!...)是这个结构的标识，/才是真正的表达式，整个结构的意思是“在当前位置之前（左侧），不容许出现 / 能匹配的文本“（它与上面的(?!/)类似，只是多了一个<，更加形象地指向左侧）。这样，就能准确地表示“匹配>，同时>之前不能是/”。 上面已经出现两种环视：(?!...)和(?<!...)，它们的名字分别是“否定顺序环视”和"否定逆序环视"。“否定”的意思是“如果正则表达式匹配成功，则在当前位置匹配失败”，而“顺序”和“逆序”则表示正则表达式需要匹配的文本所在的位置。所以总的来说，环视一共分为4种：肯定顺序环视，否定顺序环视，肯定逆序环视，否定逆序环视。见下表：
这4个名字容易混淆，不妨这样记忆：在当前位置，如果是朝右判断，则是顺序环视，如果是朝左判断，同是逆序环视；如果要求子表达式能匹配的字符串必须出现，则为肯定环视，如果要求子表达式能匹配的字符串不能出现，则为否定环视。 （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! |