正则表达式"\w"和"\b"在不同语言中的用法注意

 

“\b”匹配单词边界，不匹配任何字符。

 

“\b”匹配的只是一个位置，这个位置的一侧是构成单词的字符，另一侧为非单词字符、字符串的开始或结束位置。“\b”是零宽度的。

 

基本上所有的资料里都会说“\b”是单词边界，但是关于“单词”的范围却是少有提及。通常情况下，正则表达式中所谓的“单词”，就是由“\w”所定义的字符所组成的子串。

 

“\b”表示所在位置的一侧为单词字符，另一侧为非单词字符、字符串的开始或结束位置，也就相当于

 

(?<!\w)(?=\w)|(?<=\w)(?!\w)

 

思考：以下写法为什么不等价于“\b”

 

(?<=\W)(?=\w)|(?<=\w)(?=\W)

 

2\w的范围

 

即然涉及到“\w”，那就要先考察一下它的范围。

 

在支持ASCII码的语言中，如JavaScript，“\w”等价于[a-zA-Z0-9_] ；

 

在支持Unicode的语言中，如.NET，默认情况下，“\w”除可以匹配[a-zA-Z0-9_]外，还可以匹配一些Unicode字符集，如汉字，全角数字等等。

 

几乎所有常见的语言都遵循这样一个规律，只有Java是个例外。在Java中，“\w”的表现是比较奇怪的，Java是支持Unicode的，但Java的正则中的“\w”却是等价于[a-zA-Z0-9_]的。

 

先来看一下“\w”在几种语言中匹配的例子

 

JavaScript

 

<scriptlanguage="javascript">

 

var str = "abc_123中文_d3=efg汉字%";

 

var reg = /\w+/g;

 

var arr = str.match(reg);

 

if(arr != null)

 

{

 

for(var i=0;i<arr.length;i++)

 

{

 

document.write(arr[i] + "<br />");

 

}

 

}

 

</script>

 

/*-------- JavaScript中输出--------

 

abc_123

 

_d3

 

Efg

 

*/

 

C#

 

string test = "abc_123中文_d3=efg汉字%";

 

MatchCollection mc = Regex.Matches(test, @"\w+");

 

foreach (Match m in mc)

 

{

 

richTextBox2.Text += m.Value + "\n";

 

}

 

/*-------- C#中输出--------

 

abc_123中文_d3

 

efg汉字

 

*/

 

Java

 

String test = "abc_123中文_d3=efg汉字%";

 

String reg = "\\w+";

 

Matcher m = Pattern.compile(reg).matcher(test);

 

while(m.find())

 

{

 

System.out.println(m.group());

 

}

 

/*-------- Java中输出--------

 

abc_123

 

_d3

 

Efg

 

*/

 

可以看到，“\w”在Java中的输出和JavaScript中是一样的，都是只支持ASCII字符。

 

3\b的范围

 

常见语言中“\w”的范围确定了，那么是不是可以认为“\b”的匹配范围与“\w”也是一致的呢？

 

再看下下面的例子：

 

源字符串：abc_123中文_d3=汉字efg

 

正则表达式：.\b.

 

JavaScript

 

<scriptlanguage="javascript">

 

var str = "abc_123中文_d3=efg汉字%";

 

var reg = /.\b./g;

 

var arr = str.match(reg);

 

if(arr != null)

 

{

 

for(var i=0;i<arr.length;i++)

 

{

 

document.write(arr[i] + "<br />");

 

}

 

}

 

</script>

 

/*-------- JavaScript中输出--------

 

3中

 

文_

 

3=

 

g汉

 

*/

 

C#

 

string test = "abc_123中文_d3=efg汉字%";

 

MatchCollection mc = Regex.Matches(test, @".\b.");

 

foreach (Match m in mc)

 

{

 

richTextBox2.Text += m.Value + "\n";

 

}

 

/*-------- C#中输出--------

 

3=

 

字%

 

*/

 

Java

 

String test = "abc_123中文_d3=efg汉字%";

 

String reg = ".\\b.";

 

Matcher m = Pattern.compile(reg).matcher(test);

 

while(m.find())

 

{

 

System.out.println(m.group());

 

}

 

/*-------- Java中输出--------

 

3=

 

字%

 

*/

 

可以看到，Java的输出和.NET是一致的，“\b”在Java中是支持Unicode的。

 

所以总的来说，Java中的“\w”是很奇怪的，而“\b”是与其它语言表现一致的，在使用时需要注意。

 

4\b应用场景

 

4.1基础应用

 

“\b”一般应用在需要匹配某一单词字符组成的子串，但这一字符不能包含在同样由单词字符组成的更长的子串中。

 

比如要替换掉一段英文中的单词“to”，而“today”显然不在替换的范围内，所以正则可以用“\bto\b”来限定。

 

用得比较多的场景是在HTML标签的匹配中，用以区分相互包含的标签，比如要过滤掉<b>、</b>、<p…>、<img…>等标签，但要保留<br />标签，正则可以写成“<(/?b|p|img)\b[^>]*>”。

 

举例：统计以“,”分割的元素中“3”的个数

 

string test = "137,1,33,4,3,6,21,3,35,93,2,98";

 

int count = Regex.Matches(test, @"\b3\b").Count; //结果：2

 

4.2进阶应用

 

稍复杂一些的应用通常都是与其它一些正则语法规则一起使用的，参考一个帖子 求一正则表达式

 

4.3特殊情况

 

“\b”用在正则中，通常情况下都是表示单词边界的，只有在字符组中，它表示的是退格键，即

 

[a-z\b]

 

此处的“\b”表示的是退格键，而不是单词边界。