本文共 4881 字，大约阅读时间需要 16 分钟。

正则表达式进阶整理

一 、正则的几种引擎

正则引擎主基本可以分为两大类：

1. DFA （确定性有穷自动机）

2. NFA （非确定性有穷自动机）

   DFA和NFA都有很长的历史，NFA的历史更长一些，两者在二十多年的发展中产生了许多不必要的变体。而POSIX标准的出台是为了规范这种现象。POSIX标准不但清楚地规定了引擎应该支持的元字符和特性，还明确规定了使用者期望由表达式获得的准确结果。DFA已经符合新的标准，而NFA则需 要修改才能符标准。

表格 是从书中摘出来的，基本涵盖了现在主流的大部分程序。

引擎类型	程序
DFA	awk (大多数版本)、egrep(大多数版本)、flex、lex、MySQL、Procmail
传统型NFA	GNU Emacs、Java、grep(大多数版本)、.NET语言、PCRE library、Perl、PHP(所有三套正则库)
POSIX NFA	mawk、Mortice Kern Systems’ utilities、GNU Emacs (明确指定时使用)
DFA/NFA 混合	GNU awk、GNU grep/egrep、Tcl

NFA可以称为表达式主导的引擎，DFA则可以称为文本主导。

NFA 表达式主导 是指在匹配过程中，每一个子表达式都是独立的，或者可以认为一条由多个子表达式组成的正则表达式 在 表达式主导的引擎 中 等效于基本等效于多条表达式串行执行（公共部分是不会被重复执行的）。

DFA 文本主导 的引擎中，多条子表达式会在扫描文本时同时进行匹配。（并行执行）

书中举了个栗子，基本说明了这两种方式的不同：

to (nite|knight|night)  匹配文本'tonight'    //NFA：在匹配完to后会依次匹配nite、knight、night直到匹配成功为止（即匹配night时）    //DFA：会记录当前有效的 所有匹配可能，所以当匹配完to时，由于knight的k不能匹配，所以被淘汰出局，这时剩下的是两个有效的可能匹配（nite和night），当扫描到 g时就只剩下一个可能匹配了，当h和t完成匹配时，引擎发现匹配完成，报告成功

栗子中引出了几个概念（以下内容可做扩展阅读）：

在NFA中由于表达式主导的串行匹配方式，所以用到了回溯 （backtracking），这个是NFA最重要的部分，每一次某个分支的匹配失败都会导致一次回溯，进行另一个分支匹配，因此如何正确的选择表达式，减少 回溯次数就成为了提高NFA引擎下正则表达式工作效率的关键。另外还有两个DFA中没有的概念：“匹配优先量词”和“忽略优先 量词”。（在DFA中只有匹配优先，这个也很好理解，一方面是DFA没有也不需要回溯，另外一个原因是DFA的最左最长原则，在下文会提到）这里也不展开 了，网上有不少资料讲这两个概念，以及如何灵活选择两种量词来提高效率的范例。

总的来说DFA和NFA的明显区别之一在于效率，正如上面说到的，由于DFA没有回溯，因此看起来在某些情况下会比NFA来得更快，但是在真正使用 中，DFA需要进行预编译才能获得更好效果，因为DFA的匹配方式需要更多的内存和时间，在第一次遇到正则表达式时需要比NFA详细得多的方法来分析这个 表达式，不过可以预先把对不同正则表达式的分析结果建好，DFA就可以获得比NFA更优的速度。虽然NFA速度更慢，并且实现复杂，但是它又有着比DFA 强大的多的功能，比如支持环视，支持反向引用（虽然这个是非正则的）等。除此之外，最大的区别就在于最左最长规则（longest of the leftmost）这是在POSIX标准中规定的一条原则，即如果在字符串的某个位置存在多个可能的匹配，则返回的是最长的匹配，又由于匹配时总是从左边 开始的，所以叫最左最长规则。DFA天然地支持这一条规则，而NFA由于使用了回溯，并且会在匹配时立刻返回结果，再加上忽略优先量词的存在，使得它天然 地不支持这条规则……，当然如果对NFA进行一些修改，要求其在首次匹配时不是停下来而是穷尽所有结果，最后返回最长的结果，则NFA就被改造成了 POSIX NFA。

正则表达式的终极境界是兼具DFA的速度和NFA的功能，比如GNU grep采取了一种简单有效的策略，在平时尽可能多地使用DFA，在需要用到反向引用的时候，才切换到NFA，可以得到很不错的结果。

二、语法部分

释义

标识	含义
^	匹配字符串第一位
$	匹配字符串最后一位
.	匹配除换行符（\n）以外的任意字符
\s	匹配任意的空白符
\d	匹配任意数字
\b	匹配单词边界
*	匹配 0次到多次 {0,}
?	匹配 0次或一次 {0,1}
+	匹配 1次或多次 {1,}
\	转义符
|	或
{n}	匹配n次
{n,}	匹配至少n次
{n,m}	匹配至少n次到m次
[abcde]	匹配abcde中的任意一个字符
[^abcde]	匹配除了abcde中的任意一个字符
[a-h]	匹配a到h之间的任意字符
[^fas]	不与fas之中的任意一个字符匹配
[\u4e00-\u9fa5]	匹配任意单个汉字（这里用的是 Unicode 编码表示汉字的 )

三、进阶用法

后向引用

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个分组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

呃……其实,组号分配还不像我刚说得那么简单：

分组0对应整个正则表达式

实际上组号分配过程是要从左向右扫描两遍的：第一遍只给未命名组分配，第二遍只给命名组分配－－因此所有命名组的组号都大于未命名的组号 你可以使用(?:exp)这样的语法来剥夺一个分组对组号分配的参与权． 后向引用用于重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。难以理解？请看示例：

\b(\w+)\b\s+\1\b//可以用来匹配重复的单词，像go go, 或者kitty kitty。

这个表达式首先是一个单词，( \b(\w+)\b )，会把内容捕获到 \1 中去。 重复进行。

你也可以自己指定子表达式的组名。要指定一个子表达式的组名，请使用这样的语法：(?< word>\w+)(或者把尖括号换成’也行：(?’Word’\w+)),这样就把\w+的组名指定为Word了。要反向引用这个分组捕获的内容，你可以使用\k,所以上一个例子也可以写成这样：

\b(?
   
    \w+)\b\s+\k
    
     \b。
    
   

当使用小括号的时候还有很多特定用途的用法:

分类	语法	说明
捕获	(exp)	匹配exp,并捕获文本到自动命名的组里
捕获	(?exp)	匹配exp,并捕获文本到名称为name的组里，也可以写成(?’name’exp)
捕获	(?:exp)	匹配exp,不捕获匹配的文本，也不给此分组分配组号
零宽断言	(?=exp)	匹配exp前面的位置
零宽断言	(?<=exp)	匹配exp后面的位置
零宽断言	(?!exp)	匹配后面跟的不是exp的位置
零宽断言	(?< !exp)	匹配前面不是exp的位置
注释	(?#comment)	用于提供注释让人阅读

零宽断言

地球人，是不是觉得这些术语名称太复杂，太难记了？我也有同感。知道有这么一种东西就行了，它叫什么，随它去吧！人若无名，便可专心练剑；物若无名，便可随意取舍……

接下来的四个用于查找在某些内容(但并不包括这些内容)之前或之后的东西，也就是说它们像\b,^,$那样用于指定一个位置，这个位置应该满足一定的条件(即断言)，因此它们也被称为零宽断言。最好还是拿例子来说明吧：

断言用来声明一个应该为真的事实。正则表达式中只有当断言为真时才会继续进行匹配。

(?=exp)也叫零宽度正预测先行断言，它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b)，匹配以ing结尾的单词的前面部分(除了ing以外的部分)，如查找I'm singing while you're dancing.时，它会匹配sing和danc。(?<=exp)也叫零宽度正回顾后发断言，它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分)，例如在查找reading a book时，它匹配ading。

假如你想要给一个很长的数字中每三位间加一个逗号(当然是从右边加起了)，你可以这样查找需要在前面和里面添加逗号的部分：((?<=\d)\d{3})+\b，用它对1234567890进行查找时结果是234567890。

下面这个例子同时使用了这两种断言：(?<=\s)\d+(?=\s)匹配以空白符间隔的数字(再次强调，不包括这些空白符)。

负向零宽断言（js不支持）

前面我们提到过怎么查找不是某个字符或不在某个字符类里的字符的方法(反义)。但是如果我们只是想要确保某个字符没有出现，但并不想去匹配它时怎么办？例如，如果我们想查找这样的单词–它里面出现了字母q,但是q后面跟的不是字母u,我们可以尝试这样：

\b\w*q[^u]\w*\b   匹配包含后面不是字母u的字母q的单词。但是如果多做测试(或者你思维足够敏锐，直接就观察出来了)，你会发现，如果q出现在单词的结尾的话，像Iraq,Benq，这个表达式就会出错。这是因为[^u]总要匹配一个字符，所以如果q是单词的最后一个字符的话，后面的[^u]将会匹配q后面的单词分隔符(可能是空格，或者是句号或其它的什么)，后面的\w*\b将会匹配下一个单词，于是\b\w*q[^u]\w*\b就能匹配整个Iraq fighting。负向零宽断言能解决这样的问题，因为它只匹配一个位置，并不消费任何字符。现在，我们可以这样来解决这个问题：\b\w*q(?!u)\w*\b。

零宽度负预测先行断言(?!exp)，断言此位置的后面不能匹配表达式exp。例如：\d{3}(?!\d)匹配三位数字，而且这三位数字的后面不能是数字；\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。

同理，我们可以用(?

栗子

写一个匹配电话号码的正则

正确格式为：  0373-1234567、010-12342313、(010)12342313

第一版:

\(?0\d{
  2,}[)-]?\d{
  7,}//可以匹配(010)88886666，或022-22334455，或02912345678等。

我们对它进行一些分析吧：首先是一个转义字符 \( ,它能出现0次或1次( ? ),然后是一个 0，后面跟着至少2个数字( \d{2,} )，然后是 )或- ，它出现0次或1次( ? )，最后是至少7个数字( \d{7,} )。

第二版：

如果注意观察，会发现上面那个表达式也能匹配 010)12345678、(022-87654321 这样的“不正确”的格式。要解决这个问题，我们需要用到分枝条件。正则表达式里的分枝条件指的是有几种规则，如果满足其中任意一种规则都应该当成匹配，具体方法是用|把不同的规则分隔开。听不明白？没关系，看例子：

0\d{2}-\d{8}|0\d{3}-\d{7} 这个表达式能匹配两种以连字号分隔的电话号码：一种是三位区号，8位本地号如 010-12345678，一种是4位区号，7位本地号 0376-2233445。

使用分支改进一下正则:

\(+0\d{
  2,}\)+\d{
  7,}|0\d{
  2,}-\d{
  7,}

分析: |代表分支，前后有2个表达式，第一个表达式为确定（）成对出现 ，第二个表达式不做赘述。

匹配一下结果正常 OK；

转载地址：http://wboii.baihongyu.com/