【读书】正则指引-2-量词

前端之家收集整理的这篇文章主要介绍了【读书】正则指引-2-量词前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

多字符匹配的一般形式

为什么需要量词?因为使用量词可以方便的匹配多个字符。
以匹配邮政编码为例,其是由6位数字构成的字符串,比如201203。根据之前学习的知识,匹配这样的字符串需要使用正则表达式\d\d\d\d\d\d。而使用量词进行匹配则只需要写成\d{6}。
量词可以表达不确定的长度,其通用形式是{m,n},其中m和n是两个数字,m是下限,n是上限(均是闭区间),m和n共同限定了之前的元素能够出现的次数
\d{m,n}表示所匹配的数字字符串长度,最短是m个字符,最长是n个字符。
如果不确定长度的上限,可以省略n值,只给出m值,例如\d{m,},表示数字字符串的长度必须在m个字符之上。
量词限定的出现次数一般都有明确的下限,如果没有,则默认为0。
注:量词中的逗号之后绝不能有空格。

量词

说明

{n}

之前的元素必须出现n

{m,n}

之前的元素最少出现m次,最多出现n

{m,}

之前的元素最少出现m次,出现次数无上限

{0,n}

之前的元素可以不出现,也可以出现,最多出现n次(在某些语言中可以写为{,n}

常用量词

{m,n}是量词表达的通用形式,在正则表达式中还存在三个作为“量词简记法”的常用量词,如下表:

常用量词

{m,n}等价形式

说明

*

{0,}

可能出现,也可能不出现,出现次数没有上限

+

{1,}

至少出现1次,出现次数没有上限

?

{0,1}

至多出现1次,也可能不出现


一些使用常用量词的例子:
  • 针对美式英语和英式英语单词拼写的使用,如travell?er。
  • 针对http和https两种协议的匹配,如https?。
  • 匹配HTML中的所有tag,如<[^>]+>(该正则表达有一点缺陷,以前一篇文章和本文中的知识无法解决)。
针对各类tag的匹配:
匹配所有tag的表达式
tag分类
匹配分类tag的表达式
<[^>]+>
Open tag
<[^/>][^>]*>

Close tag
</[^>]+>

Self-closing tag
<[^>/]+/>
  • 匹配双引号字符串,如”[^”]*”。
正则表达式使用原则:使用合适的结构(包括字符组和量词),精确表达自己的意图,界定能匹配的文本。
上面给出用于匹配open tag的正则表达式,也能够匹配self-closing tag。以目前已学知识无法解决

特殊元字符:点号

一般文档都说,点号可以匹配“任意字符”,但事实是,点号可以匹配除换行符\n之外的任意字符。如果非要匹配“任意字符”,有两种办法:在正则匹配时指定使用单行模式(目前不解释细节),在这种模式下,点号可以匹配换行符;或者使用之前说过的通配字符组[\s\S](也可以是[\d\D]或[\w\W])。
点号的使用容易出现滥用,比如随意使用.*或.+。
例如,之前我们使用”[^”]*”匹配双引号字符串,而“图省事”的做法是”.*”。这种用法会出现意外,因为用”.*”匹配双引号字符串,不但可以匹配正常的双引号字符串”quoted string”,还可以匹配格式错误的字符串”quoted string” and another”。另外”.*”无法匹配有换行符的情况。
这个问题简答的讲,是因为所使用量词的类型导致。之前介绍过的量词都属于匹配优先量词(greedy quantifier,也称作贪婪量词)。这类量词的特点是,在拿不准是否要匹配的时候,优先尝试匹配,并记下这个状态,以备将来进行回溯(backtracking)。例如下图所示过程



匹配优先量词使用的常见场景:
  • 文件名解析(例如使用^.*/对/usr/local/bin/python进行路径匹配;用[^/]*$对文件名匹配)
与匹配优先量词对应的,正则表达式中还提供了忽略优先量词(lazy quantifier或reluctant quantifier,也称作懒惰量词)。这类量词的特点是,如果不确定是否要匹配,忽略优先量词会选择“不匹配”的状态,再尝试匹配表达式之后的元素,如果尝试失败,再回溯,重新使用忽略优先量词进行“匹配”。
忽略优先量词使用的常见场景:
  • 匹配多段javascript代码(<script type=”text/javasript”>...</script>);
  • 匹配类似C语言那样的多行注释(行尾注释//...,和多行注释/*...*/);
  • 提取HTML代码中的超链接(<a href=”http://somehost/somepath”>text</a>);
总之,忽略优先量词一般用于多行匹配中,且被匹配的行中可能重复出现某种模式。此时,忽略优先量词保证了只匹配到最先遇到的模式。
目前已知的匹配优先量词和其对应的忽略优先量词如下表所示

匹配优先量词

忽略优先量词

限定次数

*

*?

可能不出现,也可能出现,出现次数没有上限

+

+?

至少出现1次,出现次数没有上限

?

??

至多出现1次,也可能不出现

{m,n}

{m,n}?

出现次数最少为m次,最多为n

{m,}

{m,}?

出现次数最少为m次,没有上限

{,n}

{,n}?

可能不出现,也可能出现,最多出现n


匹配优先量词和忽略优先量词逐一对应,只是在对应的匹配优先量词之后添加?,两者限定的元素能出现的次数也一样,遇到不能匹配的情况同样需要回溯;唯一的区别在于,忽略优先量词会优先选择“忽略”,而匹配优先量词会优先选择“匹配”。另外,匹配优先量词只需要考虑自己限定的元素能够匹配即可,而忽略优先量词必须兼顾它所限定的元素和之后的元素,效率自然大大降低,当处理字符串很长时,尤为明显。
问题:C语言的两种注释方式,一种是在行末,以//开头;另一种可以跨多行,以/*开头,以*/结束。要匹配这两种注释,如何写正则表达式?
忽略优先量词在HTML页面解析中的应用:

类型

正则表达式

匹配table

<table[\s>][\s\S]+?</table>

匹配tr

<tr[\s>][\s\S]+?</tr>

匹配td

<td[\s>][\s\S]+?</td>


注:因为tag是不区分大小写的,所以如果还希望匹配大小写的情况,则必须使用字符组,table写成[tT][aA][bB][lL][eE]。

在实际的HTML代码中,table、tr、td这三个元素经常是嵌套的,它们之间存在着包含关系。但是仅仅使用正则表达式匹配,并不能得到这种包含关系信息。换句话说,正则表达式只能进行纯粹的文本处理,单纯依靠它不能整理出层次结构;如果希望解析文本的同时构建层次结构信息,则必须将正则表达式配合程序代码一起使用。

转义

之前介绍过元字符的转义,这里要介绍的是量词的转义。
对于常用量词所使用的字符+、*、?来说,如果希望表示这三个字符本身,直接添加反斜线,变为\+、\*、\?即可。但是在一般形式的量词{m,n}中,虽然具有特殊含义的字符不止一个,转义时却只需要给第一个{添加反斜线即可,也就是说,如果希望匹配字符串{m,n},则正则表达式必须写成\{m,n}。
需要注意的是针对忽略优先量词的转义,因为其需要对两个量词全部转义。例如,如果要匹配字符串*?,正则表达式必须写作\*\?,而不是\*?。
下表为各种量词的转义

量词

转义形式

{n}

\{n}

{m,n}

\{m,n}

{m,}

\{m,}

{,n}

\{,n}

*

\*

+

\+

?

\?

*?

\*\?

+?

\+\?

??

\?\?

注:未转义的点号可以匹配除换行符之外的任何字符,其中也包含点号本身,所以经常有人会忽略对点号的转义。例如对3.14进行正则匹配需要^\d+\.\d+$。

总结

本篇将《正则指引》的第二章内容进行了概括总结,下次讲解正则表达式中的括号。

参考资料

《正则指引》:余晟。 原文链接:https://www.f2er.com/regex/360749.html

猜你在找的正则表达式相关文章