1 問題引出
前幾天在CSDN論壇遇到這樣一個(gè)問題。
我要通過正則分別取出下面 font color="#008000"> 與 /font> 之間的字符串
1、在 font color="#008000"> 與 /font> 之間的字符串是沒法固定的,是隨機(jī)自動(dòng)生成的
2、其中 font color="#008000"> 與 /font>的數(shù)量也是沒法固定的,也是隨機(jī)自動(dòng)生成的
font color="#008000"> ** 這里是不固定的字符串1 ** /font>
font color="#008000"> ** 這里是不固定的字符串2 ** /font>
font color="#008000"> ** 這里是不固定的字符串3 ** /font>
有朋友給出這樣的正則“(?=font[\s\S]*?>)([\s\S]*?)(?=/font>)”,看下匹配結(jié)果。
復(fù)制代碼 代碼如下:
string test = @"font color=""#008000""> ** 這里是不固定的字符串1 ** /font>
font color=""#008000""> ** 這里是不固定的字符串2 ** /font>
font color=""#008000""> ** 這里是不固定的字符串3 ** /font> ";
MatchCollection mc = Regex.Matches(test, @"(?=font[\s\S]*?>)([\s\S]*?)(?=/font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------輸出--------
** 這里是不固定的字符串1 **
---------------
font color="#008000"> ** 這里是不固定的字符串2 **
---------------
font color="#008000"> ** 這里是不固定的字符串3 **
---------------
*/
為什么會(huì)是這樣的結(jié)果,而不是我們期望的如下的結(jié)果呢?
/*--------輸出--------
** 這里是不固定的字符串1 **
---------------
** 這里是不固定的字符串2 **
---------------
** 這里是不固定的字符串3 **
---------------
*/
這涉及到逆序環(huán)視的匹配原理,以及貪婪與非貪婪模式應(yīng)用的一些細(xì)節(jié),下面先針對(duì)逆序環(huán)視的匹配細(xì)節(jié)展開討論,然后再回過頭來看下這個(gè)問題。
2 逆序環(huán)視匹配原理
關(guān)于環(huán)視的一些基礎(chǔ)講解和基本匹配原理,在正則基礎(chǔ)之——環(huán)視這篇博客里已有所介紹,只不過當(dāng)時(shí)整理得比較匆忙,沒有涉及更詳細(xì)的匹配細(xì)節(jié)。這里僅針對(duì)逆序環(huán)視展開討論。
逆序環(huán)視的基礎(chǔ)知識(shí)在上面博文中已介紹過,這里簡(jiǎn)單引用一下。
表達(dá)式 |
說明 |
(?=Expression) |
逆序肯定環(huán)視,表示所在位置左側(cè)能夠匹配Expression |
(?!Expression) |
逆序否定環(huán)視,表示所在位置左側(cè)不能匹配Expression |
對(duì)于逆序肯定環(huán)視(?=Expression)來說,當(dāng)子表達(dá)式Expression匹配成功時(shí),(?=Expression)匹配成功,并報(bào)告(?=Expression)匹配當(dāng)前位置成功。
對(duì)于逆序否定環(huán)視(?!Expression)來說,當(dāng)子表達(dá)式Expression匹配成功時(shí),(?!Expression)匹配失?。划?dāng)子表達(dá)式Expression匹配失敗時(shí),(?!Expression)匹配成功,并報(bào)告(?!Expression)匹配當(dāng)前位置成功。
2.1 逆序環(huán)視匹配行為分析
2.1.1 逆序環(huán)視支持現(xiàn)狀
目前支持逆序環(huán)視的語言還比較少,比如當(dāng)前比較流行的腳本語言JavaScript中就是不支持逆序環(huán)視的。個(gè)人認(rèn)為不支持逆序環(huán)視已成為目前JavaScript中使用正則的最大限制,一些使用逆序環(huán)視很輕松搞定的輸入驗(yàn)證,卻要通過各種變通的方式來實(shí)現(xiàn)。
需求:驗(yàn)證輸入由字母、數(shù)字和下劃線組成,下劃線不能出現(xiàn)在開始或結(jié)束位置。
對(duì)于這樣的需求,如果支持逆序環(huán)視,直接“^(?!_)[a-zA-Z0-9_]+(?!_)$”就可以了搞定了,但是在JavaScript中,卻需要用類似于“^[a-zA-Z0-9]([a-zA-Z0-9_]*[a-zA-Z0-9])?$”這種變通方式來實(shí)現(xiàn)。這只是一個(gè)簡(jiǎn)單的例子,實(shí)際的應(yīng)用中,會(huì)比這復(fù)雜得多,而為了避免量詞的嵌套帶來的效率陷阱,正則實(shí)現(xiàn)起來很困難,甚至有些情況不得不拆分成多個(gè)正則來實(shí)現(xiàn)。
而另一些流行的語言,比如Java中,雖然支持逆序環(huán)視,但只支持固定長(zhǎng)度的子表達(dá)式,量詞也只支持“?”,其它不定長(zhǎng)度的量詞如“*”、“+” 、“{m,n}”等是不支持的。
源字符串:div>a test/div>
需求:取得div標(biāo)簽的內(nèi)容,不包括div標(biāo)簽本身
Java代碼實(shí)現(xiàn):
復(fù)制代碼 代碼如下:
import java.util.regex.*;
String test = "div>a test/div>";
String reg = "(?=div>)[^]+(?=/div>)";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
/*--------輸出--------
a test
*/
但是如果源字符串變一下,加個(gè)屬性變成“div id=”test1”>a test/div>”,那么除非標(biāo)簽中屬性內(nèi)容是固定的,否則就無法在Java中用逆序環(huán)視來實(shí)現(xiàn)了。
為什么在很多流行語言中,要么不支持逆序環(huán)視,要么只支持固定長(zhǎng)度的子表式呢?先來分析一下逆序環(huán)視的匹配原理吧。
2.1.2 Java中逆序環(huán)視匹配原理分析
不支持逆序環(huán)視的自不必說,只支持固定長(zhǎng)度子表達(dá)式的逆序環(huán)視如何呢。
源字符串:div>a test/div>
正則表達(dá)式:(?=div>)[^]+(?=/div>)
需要明確的一點(diǎn),無論是什么樣的正則表達(dá)式,都是要從字符串的位置0處開始嘗試匹配的。
首先由“(?=div>)”取得控制權(quán),由位置0開始嘗匹配,由于“div>”的長(zhǎng)度固定為5,所以會(huì)從當(dāng)前位置向左查找5個(gè)字符,但是由于此時(shí)位于位置0處,前面沒有任何字符,所以嘗試匹配失敗。
正則引擎?zhèn)鲃?dòng)裝置向右傳動(dòng),由位置1處開始嘗試匹配,同樣匹配失敗,直到位置5處,向左查找5個(gè)字符,滿足條件,此時(shí)把控制權(quán)交給“(?=div>)”中的子表達(dá)式“div>”?!癲iv>”取得控制權(quán)后,由位置0處開始向右嘗試匹配,由于正則都是逐字符進(jìn)行匹配的,所以這時(shí)會(huì)把控制權(quán)交給“div>”中的“”,由“”嘗試字符串中的“”,匹配成功,接下來由“d”嘗試字符串中的“d”,匹配成功,同樣的過程,由“div>”匹配位置0到位置5之間的“div>”成功,此時(shí)“(?=div>)”匹配成功,匹配成功的位置是位置5。
后續(xù)的匹配過程請(qǐng)參考 正則基礎(chǔ)之——環(huán)視 和 正則基礎(chǔ)之——NFA引擎匹配原理。
那么對(duì)于量詞“?”又是怎么樣一種情況呢,看一下下面的例子。
源字符串:cba
正則表達(dá)式:(?=(c?b))a
復(fù)制代碼 代碼如下:
String test = "cba";
String reg = "(?=(c?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------輸出--------
a
*/
可以看到,“c?”并沒有參與匹配,在這里,“?”并不具備貪婪模式的作用,“?”只提供了一個(gè)分支的作用,共記錄了兩個(gè)分支,一個(gè)分支需要從當(dāng)前位置向前查找一個(gè)字符,另一個(gè)分支需要從當(dāng)前位置向前查找兩個(gè)字符。正則引擎從當(dāng)前位置,嘗試這兩種情況,優(yōu)先嘗試的是需要向前查找較少字符的分支,匹配成功,則不再嘗試另一個(gè)分支,只有這一分支匹配失敗時(shí),才會(huì)去嘗試另一個(gè)分支。
復(fù)制代碼 代碼如下:
String test = "dcba";
String reg = "(?=(dc?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------輸出--------
a
dcb
*/
雖然有兩個(gè)分支,但向前查找的字符數(shù)可預(yù)知的,所以只支持“?”時(shí)并不復(fù)雜,但如果再支持其它不定長(zhǎng)度量詞,情況又如何呢?
2.1.3 .NET中逆序環(huán)視匹配原理
.NET的逆序環(huán)視中,是支持不定長(zhǎng)度量詞的,在這個(gè)時(shí)候,匹配過程就變得復(fù)雜了。先看一下定長(zhǎng)的是如何匹配的。
復(fù)制代碼 代碼如下:
string test = "div>a test/div>";
Regex reg = new Regex(@"(?=div>)[^]+(?=/div>)");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------輸出--------
a test
*/
從結(jié)果可以看到,.NET中的逆序環(huán)視在子表達(dá)式長(zhǎng)度固定時(shí),匹配行為與Java中應(yīng)該是一樣的。那么不定長(zhǎng)量詞又如何呢?
復(fù)制代碼 代碼如下:
string test = "cba";
Regex reg = new Regex(@"(?=(c?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------輸出--------
a
cb
*/
可以看到,這里的“?”具備了貪婪模式的特性。那么這個(gè)時(shí)候是否會(huì)有這樣的疑問,它的匹配過程仍然是從當(dāng)前位置向左嘗試,還是從字符串開始位置向右嘗試匹配呢?
復(fù)制代碼 代碼如下:
string test = "dddcccba";
Regex reg = new Regex(@"(?=(.*?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------輸出--------
a
cccb
*/
從結(jié)果可看出,在逆序環(huán)視中有不定量詞的時(shí)候,仍然是從當(dāng)前位置,向左嘗試匹配的,否則Groups[1]的內(nèi)容就是“dddcccb”,而不是“cccb”了。
這是非貪婪模式的匹配情況,再看一下貪婪模式匹配的情況。
復(fù)制代碼 代碼如下:
string test = "edddcccba";
Regex reg = new Regex(@"(?=(.*b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------輸出--------
a
dddcccb
*/
可以看到,采用貪婪模式以后,雖然嘗試到“c”前面的“”時(shí)已經(jīng)可以匹配成功,但由于是貪婪模式,還是要繼續(xù)嘗試匹配的。直到嘗試到開始位置,取最長(zhǎng)的成功匹配作為匹配結(jié)果。
2.2 匹配過程
再來理一下逆序環(huán)視的匹配過程吧。
源字符串:div id=“test1”>a test/div>
正則表達(dá)式:(?=div[^>]*>)[^]+(?=/div>)
首先由“(?=div[^>]*>)”取得控制權(quán),由位置0開始嘗匹配,由于“div[^>]*>”的長(zhǎng)度不固定,所以會(huì)從當(dāng)前位置向左逐字符查找,當(dāng)然,也有可能正則引擎做了優(yōu)化,先計(jì)算一下最小長(zhǎng)度后向前查找,在這里“div[^>]*>”至少需要5個(gè)字符,所以由當(dāng)前位置向左查找5個(gè)字符,才開始嘗試匹配,這要看各語言的正則引擎如何實(shí)現(xiàn)了,我推測(cè)是先計(jì)算最小長(zhǎng)度。但是由于此時(shí)位于位置0處,前面沒有任何字符,所以嘗試匹配失敗。
正則引擎?zhèn)鲃?dòng)裝置向右傳動(dòng),由位置1處開始嘗試匹配,同樣匹配失敗,直到位置5處,向左查找5個(gè)字符,滿足條件,此時(shí)把控制權(quán)交給“(?=div[^>]*>)”中的子表達(dá)式“div[^>]*>”。“div[^>]*>”取得控制權(quán)后,由位置0處開始向右嘗試匹配,由于正則都是逐字符進(jìn)行匹配的,所以這時(shí)會(huì)把控制權(quán)交給“div[^>]*>”中的“”,由“”嘗試字符串中的“”,匹配成功,接下來由“d”嘗試字符串中的“d”,匹配成功,同樣的過程,由“div[^>]*”匹配位置0到位置5之間的“div ”成功,其中“[^>]*”在匹配“div ”中的空格時(shí)是要記錄可供回溯的狀態(tài)的,此時(shí)控制權(quán)交給“>”,由于已沒有任何字符可供匹配,所以“>”匹配失敗,此時(shí)進(jìn)行回溯,由“[^>]*”讓出已匹配的空格給“>”進(jìn)行匹配,同樣匹配失敗,此時(shí)已沒有可供回溯的狀態(tài),所以這一輪匹配嘗試失敗。
正則引擎?zhèn)鲃?dòng)裝置向右傳動(dòng),由位置6處開始嘗試匹配,同樣匹配失敗,直到位置16處,此時(shí)的當(dāng)前位置指的就是位置16,把控制權(quán)交給“(?=div[^>]*>)”,向左查找5個(gè)字符,滿足條件,記錄回溯狀態(tài),控制權(quán)交給“(?=div[^>]*>)”中的子表達(dá)式“div[^>]*>”?!癲iv[^>]*>”取得控制權(quán)后,由位置11處開始向右嘗試匹配, “div[^>]*>”中的“”嘗試字符串中的“s”,匹配失敗。繼續(xù)向左嘗試,在位置10處由“”嘗試字符串中的“e”,匹配失敗。同樣的過程,直到嘗試到位置0處,由“div[^>]*”在位置0向右嘗試匹配,成功匹配到“div id=“test1”>”,此時(shí)“(?=div[^>]*>)”匹配成功,控制權(quán)交給“[^>]+”,繼續(xù)進(jìn)行下面的匹配,直到整個(gè)表達(dá)式匹配成功。
總結(jié)正則表達(dá)式“(?=SubExp1) SubExp2”的匹配過程:
1、 由位置0處向右嘗試匹配,直到找到一個(gè)滿足“(?=SubExp1) ”最小長(zhǎng)度要求的位置x;
2、 從位置x處向左查找滿足“SubExp1”最小長(zhǎng)度要求的位置y;
3、 由“SubExp1”從位置y開始向右嘗試匹配;
4、 如果“SubExp1”為固定長(zhǎng)度或非貪婪模式,則找到一個(gè)成功匹配項(xiàng)即停止嘗試匹配;
5、 如果“SubExp1”為貪婪模式,則要嘗試所有的可能,取最長(zhǎng)的成功匹配項(xiàng)作為匹配結(jié)果。
6、 “(?=SubExp1) ”成功匹配后,控制權(quán)交給后面的子表達(dá)式,繼續(xù)嘗試匹配。
需要說明的一點(diǎn),逆序環(huán)視中的子表達(dá)式“SubExp1”,匹配成功時(shí),匹配開始的位置是不可預(yù)知的,但匹配結(jié)束的位置一定是位置x。
3 問題分析與總結(jié)
3.1 問題分析
那么再回過頭來看下最初的問題。
復(fù)制代碼 代碼如下:
string test = @"font color=""#008000""> ** 這里是不固定的字符串1 ** /font>
font color=""#008000""> ** 這里是不固定的字符串2 ** /font>
font color=""#008000""> ** 這里是不固定的字符串3 ** /font> ";
MatchCollection mc = Regex.Matches(test, @"(?=font[\s\S]*?>)([\s\S]*?)(?=/font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------輸出--------
** 這里是不固定的字符串1 **
---------------
font color="#008000"> ** 這里是不固定的字符串2 **
---------------
font color="#008000"> ** 這里是不固定的字符串3 **
---------------
*/
其實(shí)真正讓人費(fèi)解的是這里的逆序環(huán)視的匹配結(jié)果,為了更好的說明問題,改下正則。
string test = @"font color=""#008000""> ** 這里是不固定的字符串1 ** /font>
復(fù)制代碼 代碼如下:
font color=""#008000""> ** 這里是不固定的字符串2 ** /font>
font color=""#008000""> ** 這里是不固定的字符串3 ** /font> ";
MatchCollection mc = Regex.Matches(test, @"(?=(font[\s\S]*?>))([\s\S]*?)(?=/font>)");
for(int i=0;imc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "輪成功匹配結(jié)果:\n";
richTextBox2.Text += "Group[0]:" + m.Value + "\n";
richTextBox2.Text += "Group[1]:" + m.Groups[1].Value + "\n---------------\n";
}
/*--------輸出--------
第1輪成功匹配結(jié)果:
Group[0]: ** 這里是不固定的字符串1 **
Group[1]:font color="#008000">
---------------
第2輪成功匹配結(jié)果:
Group[0]:
font color="#008000"> ** 這里是不固定的字符串2 **
Group[1]:font color="#008000"> ** 這里是不固定的字符串1 ** /font>
---------------
第3輪成功匹配結(jié)果:
Group[0]:
font color="#008000"> ** 這里是不固定的字符串3 **
Group[1]:font color="#008000"> ** 這里是不固定的字符串2 ** /font>
---------------
*/
對(duì)于第一輪成功匹配結(jié)果應(yīng)該不存在什么疑問,這里不做解釋。
第一輪成功匹配結(jié)束的位置是第一個(gè)“/font>”前的位置,第二輪成功匹配嘗試就是從這一位置開始。
首先由“(?=font[\s\S]*?>)”取得控制權(quán),向左查找6個(gè)字符后開始嘗試匹配,由于“”會(huì)匹配失敗,所以會(huì)一直嘗試到位置0處,這時(shí)“font”是可以匹配成功的,但是由于“font[\s\S]*?>”要匹配成功,匹配的結(jié)束位置必須是第一個(gè)“/font>”前的位置,所以“>”是匹配失敗的,這一位置整個(gè)表達(dá)式匹配失敗。
正則引擎?zhèn)鲃?dòng)裝置向右傳動(dòng),直到第一個(gè)“/font>”后的位置,“font[\s\S]*?>”匹配成功,匹配開始位置是位置0,匹配結(jié)束位置是第一個(gè)“/font>”后的位置,“font[\s\S]*?>”匹配到的內(nèi)容是“font color="#008000"> ** 這里是不固定的字符串1 ** /font>”,其中“[\s\S]*?”匹配到的內(nèi)容是“color="#008000"> ** 這里是不固定的字符串1 ** /font”,后面的子表達(dá)式繼續(xù)匹配,直到第二輪匹配成功。
接下來的第三輪成功匹配,匹配過程與第二輪基本相同,只不過由于使用的是非貪婪模式,所以“font[\s\S]*?>”在匹配到“font color="#008000"> ** 這里是不固定的字符串2 ** /font>”時(shí)匹配成功,就結(jié)束匹配,不再向左嘗試匹配了。
接下來看下貪婪模式的匹配結(jié)果。
復(fù)制代碼 代碼如下:
string test = @"font color=""#008000""> ** 這里是不固定的字符串1 ** /font>
font color=""#008000""> ** 這里是不固定的字符串2 ** /font>
font color=""#008000""> ** 這里是不固定的字符串3 ** /font> ";
MatchCollection mc = Regex.Matches(test, @"(?=(font[\s\S]*>))([\s\S]*?)(?=/font>)");
for(int i=0;imc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "輪成功匹配結(jié)果:\n";
richTextBox2.Text += "Group[0]:" + m.Value + "\n";
richTextBox2.Text += "Group[1]:" + m.Groups[1].Value + "\n---------------\n";
}
/*--------輸出--------
第1輪匹配結(jié)果:
Group[0]: ** 這里是不固定的字符串1 **
Group[1]:font color="#008000">
---------------
第2輪匹配結(jié)果:
Group[0]:
font color="#008000"> ** 這里是不固定的字符串2 **
Group[1]:font color="#008000"> ** 這里是不固定的字符串1 ** /font>
---------------
第3輪匹配結(jié)果:
Group[0]:
font color="#008000"> ** 這里是不固定的字符串3 **
Group[1]:font color="#008000"> ** 這里是不固定的字符串1 ** /font>
font color="#008000"> ** 這里是不固定的字符串2 ** /font>
---------------
*/
僅僅是一個(gè)字符的差別,整個(gè)表達(dá)式的匹配結(jié)果沒有變化,但匹配過程差別卻是很大的。
那么如果想得到下面這種結(jié)果要如何做呢?
/*--------輸出--------
** 這里是不固定的字符串1 **
---------------
** 這里是不固定的字符串2 **
---------------
** 這里是不固定的字符串3 **
---------------
*/
把量詞修飾的子表達(dá)式的匹配范圍縮小就可以了。
復(fù)制代碼 代碼如下:
string test = @"font color=""#008000""> ** 這里是不固定的字符串1 ** /font>
font color=""#008000""> ** 這里是不固定的字符串2 ** /font>
font color=""#008000""> ** 這里是不固定的字符串3 ** /font> ";
MatchCollection mc = Regex.Matches(test, @"(?is)(?=(font[^>]*>))(?:(?!/?font\b).)*(?=/font>)");
for(int i=0;imc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "輪匹配結(jié)果:\n";
richTextBox2.Text += "Group[0]:" + mc[i].Value + "\n";
richTextBox2.Text += "Group[1]:" + mc[i].Groups[1].Value + "\n---------------\n";
}
/*--------輸出--------
第1輪匹配結(jié)果:
Group[0]: ** 這里是不固定的字符串1 **
Group[1]:font color="#008000">
---------------
第2輪匹配結(jié)果:
Group[0]: ** 這里是不固定的字符串2 **
Group[1]:font color="#008000">
---------------
第3輪匹配結(jié)果:
Group[0]: ** 這里是不固定的字符串3 **
Group[1]:font color="#008000">
---------------
*/
3.2 逆序環(huán)視應(yīng)用總結(jié)
通過對(duì)逆序環(huán)視的分析,可以看出,逆序環(huán)視中使用不定長(zhǎng)度的量詞,匹配過程很復(fù)雜,代價(jià)也是很大的,這也許也是目前絕大多數(shù)語言不支持逆序環(huán)視,或是不支持在逆序環(huán)視中使用不定長(zhǎng)度量詞的原因吧。
在正則應(yīng)用中需要注意的幾點(diǎn):
1、 不要輕易在逆序環(huán)視中使用不定長(zhǎng)度的量詞,除非確實(shí)需要;
2、 在任何場(chǎng)景下,不只是逆序環(huán)視中,不要輕易使用量詞修飾匹配范圍非常大的子表達(dá)式,小數(shù)點(diǎn)“.”和“[\s\S]”之類的,使用時(shí)尤其要注意。
您可能感興趣的文章:- 正則表達(dá)式中環(huán)視的簡(jiǎn)單應(yīng)用示例【基于java】
- 正則匹配原理之 逆序環(huán)視深入 .
- 正則基礎(chǔ)之 環(huán)視 Lookaround
- javascript 正則表達(dá)式分組、斷言詳解
- 正則表達(dá)式之零寬斷言實(shí)例詳解【基于PHP】
- 正則表達(dá)式零寬斷言詳解
- 正則表達(dá)式斷言、巡視(Assertions)、正向斷言、反向斷言介紹
- 正則表達(dá)式環(huán)視概念與用法分析