PHP正規表達式詳解(二)

 9. 單詞邊界

元字符<</b>>也是一種對位置進行匹配的「錨」。這種匹配是0長度匹配。

有4種位置被認為是「單詞邊界」:

1) 在字符串的第一個字符前的位置(如果字符串的第一個字符是一個「單詞字符」)

2) 在字符串的最後一個字符後的位置(如果字符串的最後一個字符是一個「單詞字符」)

3) 在一個「單詞字符」和「非單詞字符」之間,其中「非單詞字符」緊跟在「單詞字符」之後

4) 在一個「非單詞字符」和「單詞字符」之間,其中「單詞字符」緊跟在「非單詞字符」後面

「單詞字符」是可以用「/w」匹配的字符,「非單詞字符」是可以用「/W」匹配的字符。在大多數的正規表達式實現中,「單詞字符」通常包括<<[a-zA-Z0-9_]>>。

例如:<</b4/b>>能夠匹配單個的4而不是一個更大數的一部分。這個正規表達式不會匹配「44」中的4。

換種說法,幾乎可以說<</b>>匹配一個「字母數字序列」的開始和結束的位置。

「單詞邊界」的取反集為<</B>>,他要匹配的位置是兩個「單詞字符」之間或者兩個「非單詞字符」之間的位置。

    深入正規表達式引擎內部

讓我們看看把正規表達式<</bis/b>>應用到字符串「This island is beautiful」。引擎先處理符號<</b>>。因為/b是0長度 ,所以第一個字符T前面的位置會被考察。因為T是一個「單詞字符」,而它前面的字符是一個空字符(void),所以/b匹配了單詞邊界。接 著<<i>>和第一個字符「T」匹配失敗。匹配過程繼續進行,直到第五個空格符,和第四個字符「s」之間又匹配 了<</b>>。然而空格符和<<i>>不匹配。繼續向後,到了第六個字符「i」,和第五個空格字符之 間匹配了<</b>>,然後<<is>>和第六、第七個字符都匹配了。然而第八個字符和第二個「單詞邊 界」不匹配,所以匹配又失敗了。到了第13個字符i,因為和前面一個空格符形成「單詞邊界」,同時<<is>>和「is」匹配。 引擎接著嘗試匹配第二個<</b>>。因為第15個空格符和「s」形成單詞邊界,所以匹配成功。引擎「急著」返回成功匹配的結 果。
10.選擇符

正規表達式中「|」表示選擇。你可以用選擇符匹配多個可能的正規表達式中的一個。

如果你想搜索文字「cat」或「dog」,你可以用<<cat|dog>>。如果你想有更多的選擇,你只要擴展列表<<cat|dog|mouse|fish>>。

選擇符在正規表達式中具有最低的優先級,也就是說,它告訴引擎要麼匹配選擇符左邊的所有表達式,要麼匹配右邊的所有表達式。你也可以用圓括號來限制選擇符 的作用範圍。如<</b(cat|dog)/b>>,這樣告訴正規引擎把(cat|dog)當成一個正規表達式單位來處理。

    注意正規引擎的「急於表功」性

正規引擎是急切的,當它找到一個有效的匹配時,它會停止搜索。因此在一定條件下,選擇符兩邊的表達式的順序對結果會有影響。假設你想用正規表達式搜索一個 編程語言的函數列表:Get,GetValue,Set或SetValue。一個明顯的解決方案 是<<Get|GetValue|Set|SetValue>>。讓我們看看當搜索SetValue時的結果。

因為<<Get>>和<<GetValue>>都失敗了,而<<Set>>匹 配成功。因為正規導向的引擎都是「急切」的,所以它會返回第一個成功的匹配,就是「Set」,而不去繼續搜索是否有其他更好的匹配。

和我們期望的相反,正規表達式並沒有匹配整個字符串。有幾種可能的解決辦法。一是考慮到正規引擎的「急切」性,改變選項的順序,例如我們使 用<<GetValue|Get|SetValue|Set>>,這樣我們就可以優先搜索最長的匹配。我們也可以把四個選項結合 起來成兩個選項:<<Get(Value)?|Set(Value)?>>。因為問號重複符是貪婪的,所以SetValue總會 在Set之前被匹配。

一個更好的方案是使用單詞邊界:<</b(Get|GetValue|Set|SetValue)/b>>或<< /b(Get(Value)?|Set(Value)?/b>>。更進一步,既然所有的選擇都有相同的結尾,我們可以把正規表達式優化 為<</b(Get|Set)(Value)?/b>>。
11.組與向後引用

把正規表達式的一部分放在圓括號內,你可以將它們形成組。然後你可以對整個組使用一些正規操作,例如重複操作符。

要注意的是,只有圓括號「()」才能用於形成組。「[]」用於定義字符集。「{}」用於定義重複操作。

當用「()」定義了一個正規表達式組後,正規引擎則會把被匹配的組按照順序編號,存入緩存。當對被匹配的組進行向後引用的時候,可以用「/數字」的方式進 行引用。<</1>>引用第一個匹配的後向引用組,<</2>>引用第二個組,以此類 推,<</n>>引用第n個組。而<</0>>則引用整個被匹配的正規表達式本身。我們看一個例子。

假設你想匹配一個HTML標籤的開始標籤和結束標籤,以及標籤中間的文本。比如<B>This is a test</B>,我們要匹配<B>和</B>以及中間的文字。我們可以用如下正規表達式:「<([A-Z] [A-Z0-9]*)[^>]*>.*?<//1>」

首先,「<」將會匹配「<B>」的第一個字符「<」。然後[A-Z]匹配B,[A-Z0-9]*將會匹配0到多次字母數字,後面 緊接著0到多個非「>」的字符。最後正規表達式的「>」將會匹配「<B>」的「>」。接下來正規引擎將對結束標籤之前的字 符進行惰性匹配,直到遇到一個「</」符號。然後正規表達式中的「/1」表示對前面匹配的組「([A-Z][A-Z0-9]*)」進行引用,在本例 中,被引用的是標籤名「B」。所以需要被匹配的結尾標籤為「</B>」

你可以對相同的後向引用組進行多次引用,<<([a-c])x/1x/1>>將匹配「axaxa」、「bxbxb」以及「cxcxc」。如果用數字形式引用的組沒有有效的匹配,則引用到的內容簡單的為空。

一個後向引用不能用於它自身。<<([abc]/1)>>是錯誤的。因此你不能將<</0>>用於一個正規表達式匹配本身,它只能用於替換操作中。

後向引用不能用於字符集內部。<<(a)[/1b]>>中的<</1>>並不表示後向引用。在字符集內部,<</1>>可以被解釋為八進制形式的轉碼。

向後引用會降低引擎的速度,因為它需要存儲匹配的組。如果你不需要向後引用,你可以告訴引擎對某個組不存儲。例如:<<Get(?:Value)>>。其中「(」後面緊跟的「?:」會告訴引擎對於組(Value),不存儲匹配的值以供後向引用。

    重複操作與後向引用

當對組使用重複操作符時,緩存裡後向引用內容會被不斷刷新,只保留最後匹配的內容。例如:<<([abc]+)=/1>>將匹配 「cab=cab」,但是<<([abc])+=/1>>卻不會。因為([abc])第一次匹配「c」時,「/1」代表「c」; 然後([abc])會繼續匹配「a」和「b」。最後「/1」代表「b」,所以它會匹配「cab=b」。

應用:檢查重複單詞–當編輯文字時,很容易就會輸入重複單詞,例如「the the」。使用<</b(/w+)/s+/1/b>>可以檢測到這些重複單詞。要刪除第二個單詞,只要簡單的利用替換功能替換掉「/1」就可以了。

    組的命名和引用

在PHP,Python中,可以用<<(?P<name>group)>>來對組進行命名。在本例中,詞 法?P<name>就是對組(group)進行了命名。其中name是你對組的起的名字。你可以用(?P=name)進行引用。

.NET的命名組

.NET framework也支持命名組。不幸的是,微軟的程序員們決定發明他們自己的語法,而不是沿用Perl、Python的規則。目前為止,還沒有任何其他的正規表達式實現支持微軟發明的語法。

下面是.NET中的例子:

(?<first>group)(?』second'group)

正如你所看到的,.NET提供兩種詞法來創建命名組:一是用尖括號「<>」,或者用單引號「』』」。尖括號在字符串中使用更方便,單引號在ASP代碼中更有用,因為ASP代碼中「<>」被用作HTML標籤。

要引用一個命名組,使用/k<name>或/k'name'.

當進行搜索替換時,你可以用「${name}」來引用一個命名組。
12. 正規表達式的匹配模式

本教程所討論的正規表達式引擎都支持三種匹配模式:

<</i>>使正規表達式對大小寫不敏感,

<</s>>開啟「單行模式」,即點號「.」匹配新行符

<</m>>開啟「多行模式」,即「^」和「$」匹配新行符的前面和後面的位置。

    在正規表達式內部打開或關閉模式

如果你在正規表達式內部插入修飾符(?ism),則該修飾符只對其右邊的正規表達式起作用。(?-i)是關閉大小寫不敏感。你可以很快的進行測試。<<(?i)te(?-i)st>>應該匹配TEst,但是不能匹配teST或TEST。
13. 原子組與防止回溯

在一些特殊情況下,因為回溯會使得引擎的效率極其低下。

讓我們看一個例子:要匹配這樣的字串,字串中的每個字段間用逗號做分隔符,第12個字段由P開頭。

我們容易想到這樣的正規表達式<<^(.*?,){11}P>>。這個正規表達式在正常情況下工作的很好。但是在極端情況下,如 果第12個字段不是由P開頭,則會發生災難性的回溯。如要搜索的字串為「1,2,3,4,5,6,7,8,9,10,11,12,13」。首先,正規表達 式一直成功匹配直到第12個字符。這時,前面的正規表達式消耗的字串為「1,2,3,4,5,6,7,8,9,10,11,」,到了下一個字 符,<<P>>並不匹配「12」。所以引擎進行回溯,這時正規表達式消耗的字串為 「1,2,3,4,5,6,7,8,9,10,11」。繼續下一次匹配過程,下一個正規符號為點號<<.>>,可以匹配下一個逗 號「,」。然而<<,>>並不匹配字符「12」中的「1」。匹配失敗,繼續回溯。大家可以想像,這樣的回溯組合是個非常大的數 量。因此可能會造成引擎崩潰。

用於阻止這樣巨大的回溯有幾種方案:

一種簡單的方案是儘可能的使匹配精確。用取反字符集代替點號。例如我們用如下正規表達式<<^([^,/r/n]*,){11}P>>,這樣可以使失敗回溯的次數下降到11次。

另一種方案是使用原子組。

原子組的目的是使正規引擎失敗的更快一點。因此可以有效的阻止海量回溯。原子組的語法是<<(?>正規表達式)>>。位於 (?>)之間的所有正規表達式都會被認為是一個單一的正規符號。一旦匹配失敗,引擎將會回溯到原子組前面的正規表達式部分。前面的例子用原子組可以 表達成<<^(?>(.*?,){11})P>>。一旦第十二個字段匹配失敗,引擎回溯到原子組前面 的<<^>>。
14. 向前查看與向後查看

Perl 5 引 入了兩個強大的正規語法:「向前查看」和「向後查看」。他們也被稱作「零長度斷言」。他們和錨定一樣都是零長度的(所謂零長度即指該正規表達式不消耗被匹 配的字符串)。不同之處在於「前後查看」會實際匹配字符,只是他們會拋棄匹配只返回匹配結果:匹配或不匹配。這就是為什麼他們被稱作「斷言」。他們並不實 際消耗字符串中的字符,而只是斷言一個匹配是否可能。

幾乎本文討論的所有正規表達式的實現都支持「向前向後查看」。唯一的一個例外是Javascript只支持向前查看。

    肯定和否定式的向前查看

如我們前面提過的一個例子:要查找一個q,後面沒有緊跟一個u。也就是說,要麼q後面沒有字符,要麼後面的字符不是u。採用否定式向前查看後的一個解決方 案為<<q(?!u)>>。否定式向前查看的語法是<<(?!查看的內容)>>。

肯定式向前查看和否定式向前查看很類似:<<(?=查看的內容)>>。

如果在「查看的內容」部分有組,也會產生一個向後引用。但是向前查看本身並不會產生向後引用,也不會被計入向後引用的編號中。這是因為向前查看本身是會被 拋棄掉的,只保留匹配與否的判斷結果。如果你想保留匹配的結果作為向後引用,你可以用<<(?=(regex))>>來產生一個 向後引用。

    肯定和否定式的先後查看

向後查看和向前查看有相同的效果,只是方向相反

否定式向後查看的語法是:<<(?<!查看內容)>>

肯定式向後查看的語法是:<<(?<=查看內容)>>

我們可以看到,和向前查看相比,多了一個表示方向的左尖括號。

例:<<(?<!a)b>>將會匹配一個沒有「a」作前導字符的「b」。

值得注意的是:向前查看從當前字符串位置開始對「查看」正規表達式進行匹配;向後查看則從當前字符串位置開始先後回溯一個字符,然後再開始對「查看」正規表達式進行匹配。

    深入正規表達式引擎內部

讓我們看一個簡單例子。

把正規表達式<<q(?!u)>>應用到字符串「Iraq」。正規表達式的第一個符號是<<q>>。正 如我們知道的,引擎在匹配<<q>>以前會掃過整個字符串。當第四個字符「q」被匹配後,「q」後面是空字符(void)。而下 一個正規符號是向前查看。引擎注意到已經進入了一個向前查看正規表達式部分。下一個正規符號是<<u>>,和空字符不匹配,從而 導致向前查看裡的正規表達式匹配失敗。因為是一個否定式的向前查看,意味著整個向前查看結果是成功的。於是匹配結果「q」被返回了。

我們在把相同的正規表達式應用到「quit」。<<q>>匹配了「q」。下一個正規符號是向前查看部分 的<<u>>,它匹配了字符串中的第二個字符「i」。引擎繼續走到下個字符「i」。然而引擎這時注意到向前查看部分已經處理完 了,並且向前查看已經成功。於是引擎拋棄被匹配的字符串部分,這將導致引擎回退到字符「u」。

因為向前查看是否定式的,意味著查看部分的成功匹配導致了整個向前查看的失敗,因此引擎不得不進行回溯。最後因為再沒有其他的「q」和<<q>>匹配,所以整個匹配失敗了。

為了確保你能清楚地理解向前查看的實現,讓我們把<<q(?=u)i>>應用到「quit」。<<q>& gt;首先匹配「q」。然後向前查看成功匹配「u」,匹配的部分被拋棄,只返回可以匹配的判斷結果。引擎從字符「i」回退到「u」。由於向前查看成功了, 引擎繼續處理下一個正規符號<<i>>。結果發現<<i>>和「u」不匹配。因此匹配失敗了。由於後面 沒有其他的「q」,整個正規表達式的匹配失敗了。

    更進一步理解正規表達式引擎內部機制

讓我們把<<(?<=a)b>>應用到「thingamabob」。引擎開始處理向後查看部分的正規符號和字符串中的第一 個字符。在這個例子中,向後查看告訴正規表達式引擎回退一個字符,然後查看是否有一個「a」被匹配。因為在「t」前面沒有字符,所以引擎不能回退。因此向 後查看失敗了。引擎繼續走到下一個字符「h」。再一次,引擎暫時回退一個字符並檢查是否有個「a」被匹配。結果發現了一個「t」。向後查看又失敗了。

向後查看繼續失敗,直到正規表達式到達了字符串中的「m」,於是肯定式的向後查看被匹配了。因為它是零長度的,字符串的當前位置仍然是「m」。下一個正規 符號是<<b>>,和「m」匹配失敗。下一個字符是字符串中的第二個「a」。引擎向後暫時回退一個字符,並且發 現<<a>>不匹配「m」。

在下一個字符是字符串中的第一個「b」。引擎暫時性的向後退一個字符發現向後查看被滿足了,同時<<b>>匹配了「b」。因此整個正規表達式被匹配了。作為結果,正規表達式返回字符串中的第一個「b」。

    向前向後查看的應用

我們來看這樣一個例子:查找一個具有6位字符的,含有「cat」的單詞。

首先,我們可以不用向前向後查看來解決問題,例如:

<< cat/w{3}|/wcat/w{2}|/w{2}cat/w|/w{3}cat>>

足夠簡單吧!但是當需求變成查找一個具有6-12位字符,含有「cat」,「dog」或「mouse」的單詞時,這種方法就變得有些笨拙了。

我們來看看使用向前查看的方案。在這個例子中,我們有兩個基本需求要滿足:一是我們需要一個6位的字符,二是單詞含有「cat」。

滿足第一個需求的正規表達式為<</b/w{6}/b>>。滿足第二個需求的正規表達式為<</b/w*cat/w*/b>>。

把兩者結合起來,我們可以得到如下的正規表達式:

<<(?=/b/w{6}/b)/b/w*cat/w*/b>>

具體的匹配過程留給讀者。但是要注意的一點是,向前查看是不消耗字符的,因此當判斷單詞滿足具有6個字符的條件後,引擎會從開始判斷前的位置繼續對後面的正規表達式進行匹配。

最後作些優化,可以得到下面的正規表達式:

<</b(?=/w{6}/b)/w{0,3}cat/w*>>
15. 則表達式中的條件測試

條件測試的語法為<<(?ifthen|else)>>。「if」部分可以是向前向後查看表達式。如果用向前查看,則語法變為:<<(?(?=regex)then|else)>>,其中else部分是可選的。

如果if部分為true,則正規引擎會試圖匹配then部分,否則引擎會試圖匹配else部分。

需要記住的是,向前先後查看並不實際消耗任何字符,因此後面的then與else部分的匹配時從if測試前的部分開始進行嘗試。
16. 為正規表達式添加註釋

在正規表達式中添加註釋的語法是:<<(?#comment)>>

例:為用於匹配有效日期的正規表達式添加註釋:

(?#year)(19|20)/d/d[- /.](?#month)(0[1-9]|1[012])[- /.](?#day)(0[1-9]|[12][0-9]|3[01])

留言

這個網誌中的熱門文章

c語言-關於#define用法

CMD常用網管指令

使用windows CMD 時間自動校正