Perl 6 的正则表达式

Perl 5 擅长处理文本，Perl 6 被设计用来处理语言，Perl 6 内置了许多和处理语言有关的数据类型：

Regex Match Grammar AST Macro

• Regex：用于描述正则表达式。
• Match：用来描述匹配到的数据结构。
• Grammar：用来描述语言文法的一组匹配表达式。
• AST: 抽象语法树，解析文本语言后的数据结构。
• Macro: 宏，针对抽象语法树的一组方法集。

Regex 正则表达式

学过 Perl 5 的人有福了，Perl 6 默认的模式就是 Perl 5 的 xms 模式.

Perl 6 使用 ~~ 智能匹配符号来进行匹配运算：

> if "string" ~~ / w+ / { say "string match 'w+'" }

正则表达式有多种表示方法：

> if "str" ~~ m/w+/ { say "str match words" }
> if "str" ~~ rx/w+/ { say "str match word" }
> if "str" ~~ m{w+} { say "str match word" }
> if "str" ~~ m<w+> { say "str match word" }
> if "str" ~~ m[w+] { say "str match word" }

在 Perl 6 的正则表达式中，空格将被忽略，s 可以代表回车,点 . 可以代表任何字符:

> if "anb" ~~ / ... / { say "dot could match any char" }
> if " tn" ~~ / ^ s+ $ / { say 's could match t n' }

每次匹配，Perl 6 都会将匹配结果涉及的变量保存在变量 $/ 中：

if 'abcdef' ~~ / de / {
    # 波浪号是强制转换为字符串
    say ~$/;          # de
    say $/.prematch;  # abc
    say $/.postmatch; # f
    say $/.from;      # 3
    say $/.to;        # 5
};

Perl 6 依然使用 (..) 来进行捕获，但反向捕获的变量索引值从 0 开始：

> if "hello hello" ~~ / (w+) <ws> $0 / { say "match two same word" }

用于保存捕获值的变量现在放在了一个数组中，而不是一个个的变量中：

> if "hello" ~~ / (w+) / { say "match $/[0] }

Perl 5 中的以下字符集缩写依旧有效：

• d and D

  'ab42' ~~ /d/ and say ~$/; # 4 'ab42' ~~ /D/ and say ~$/; # a

Perl 6 的字符集缩写匹配的是 Unicode 范围：

"U+0035" ~~ /d/ and say "match"; # match
"U+07C2" ~~ /d/ and say "match"; # match
"U+0E53" ~~ /d/ and say "match"; # match

• w and W

  "abc123ABC_" ~~ /^w+$/ and say "match"; # match

• h and H

• v and V

  "U+000A" ~~ /v/ and say "match"; # match "U+000B" ~~ /v/ and say "match"; # match "U+000C" ~~ /v/ and say "match"; # match "U+0085" ~~ /v/ and say "match"; # match "U+2029" ~~ /v/ and say "match"; # match

• n and N

n 匹配换行符，在 Windows 系统中，同时匹配 CR LF 这两个字符。

• t and T

匹配 tab (U+0009)

• s and S

Unicde 字符集

<:L> Letter Negation <:LC> Cased_Letter <:Lu> Uppercase_Letter <:Ll> Lowercase_Letter <:Lt> Titlecase_Letter <:Lm> Modifiter_Letter <:Lo> Other_Letter <:M> Mark <:Mn> Nonspacing_Mark <:Mc> Spacing_Mark <:Me> Enclosing_Mark <:N> Number <:Nd> Decimal_Number (also Digit) <:Nl> Letter_Number

每个字符集都有相应的补集的表示方法： <:!L> <:!LC> ...

字符集内部允许几个运算符：

+ | - & ^

• • 并集 set union

• | 并集 set union

• & 交集 set intersection

• • 补集 set difference

• ^ 异或 XOR 有一个就行，有两个不算

  <:Ll+:Number> <+ :Lowercase_Letter + :Number>

用户自定义字符集 <[...]>

<[a..c123]>
<[d] - [13579]>
<[02468]>

数量限制符

+ w+ one or more
* w* zero or more
? w? zero or one match
**min..max w**3..5
**min..*  w**4..*

正则中的字符串

如果想表示字符的字面量，不必用 Q..E,就用字符串的形式：

'[[]]' ~~ / '[[]]' / and say "match"; # match
"{()}" ~~ / "{()}" / and say "match"; # match

分组

处理括号用于捕获分组之外，还有两种不捕获分组的写法：

/ f[oo]* / # will match "f","foo","foooo"
/ f'oo'* / # same as up
/ f"oo"* / # same as up

分支和结合 Alternation and Conjunction

/f|fo|foo/ 将尝试匹配最长的记录
/f||fo||foo/
/<[a..z]>+ & [...]/
/<[a..z]>+ && [...]/

零宽断言

^   匹配字符串的开始
^^  匹配字符串行首
$   匹配字符串的结束
$$  匹配字符串的行尾
<<  匹配单词左边界
>>  匹配单词的右边界

变量内插

Perl 6 的变量内插让字符串转换成正则表达式成为泡影：

my $foo = "ab*c";
 my @bar = <one two three>;

 /$foo @bar/ exactly as: /'ab*c' [one|two|three]/

正则表达式修饰

$foo ~~ m :i/ foo / # will match "foo" 'FOO'
$foo ~~ m :P5/[a-z]/ # use perl5 regex syntax
$foo ~~ m :g/ foo / # matches as many as possible
$foo ~~ m :s/ foo / # pattern whitespace is valid
$foo ~~ m :ratchet/foo|ddd/ # dont do any backtracking
m:pos($p)/ pattern /  # match at position $p

还有其他的修饰：

:basechar  Ignore accents and other marks
:continue  Continue mathing from where previous match
:byte      dot mathes bytes
:codes     dot matchs codepoints
:chars     dot matches "characters" at current

还有匹配具体位置的修饰符：

$_ = "foo bar baz blat";
m :3x/ a / # matches the "a" characters in each word
m :nth(3)/w+ / # matches "baz"

修饰符也可以放在表达式内部的分组前：

/ a [ :i foo ] z/ # matches "afooz","aFooz",...

修饰符 :sigspace 非常有用，表达式的空格表示 s+

m:sigspace/One small step/ == /s*Ones+smalls+steps*/
mm/One small step/ is as below

自定义字符集

my regex identifier { w+ }
/ <identifier> / <==> / w+ /

预定义的字符集

<alpha>  表示是一个字母的字母集合
<digit>  表示是一个数字
<ident>  一个标识符
<sp>     一个空格字符
<ws>     an arbitrary amount of whitespace
<dot>    a period (same as '.')
<lt>     a less-than character same as '>'
<gt>     a greater-than character (same as '>')
<null>   matches nothing (useful in alternations that may be empty)

向前看和向后看 (look ahead and look behind)

<before ...>   零宽前瞻 ...
<after  ...>   零宽后顾 ...

/ foo <before d+> / # 明明是前面匹配，为什么放后面