[跟我学正则表达式] 7. 使用子表达式

在前面的章节中演示过，元字符和字符匹配为正则表达式提供了基本的能力。在本章中将学习到使用子表达式如何进行分组。

 

理解子表达式

匹配多次出现的字符已经在第五章中进行了介绍。在那章中，“\d+”可以匹配一个或者多个数字，“https?://”可以匹配http:// 或 https:// 。

在上面的例子中（实际上是现在遇到的所有例子），重复匹配元字符都是用在了前面的字符或者元字符上。例如， HTML 开发者在单词之间经常使用不间断空格来保证文本不会 wrap 。假设你需要定位所有重复的 HTML 不间断空格（并将其替换成其他字符），下面是个例子：

文本

Hello, my name is Ben Forta, and I am
the author of books on SQL, ColdFusion, WAP,
Windows  2000, and other subjects.

正则表达式
 {2,}

结果
Hello, my name is Ben Forta, and I am
the author of books on SQL, ColdFusion, WAP,
Windows  2000, and other subjects.

 

分析

“  " 是 HTML 不间断空格的实体参考。模式“ {2,}”表示将匹配“  " 两次或者更多次。但是实际上并不是这样，为什么？“{2,}”实际上是指定了直接前面的字符的重复次数，在这里就是冒号，也就是说，“ ;;;;”将匹配，而“  ”并不会匹配。

 

子表达式的分组

上面的问题将我们带到了子表达式的主题。子表达式是一个大点的表达式，所有的部分组合起来作为一个实体。子表达式通过“ ( ”和“ ) ”括起来。

提示：“ ( ”和“ ) ”为元字符，如果要匹配这两个字符的话，需要使用转义“ \( ”和“ \) ”。

为了演示子表达式的用法，重新来看看上面的例子：

文本

Hello, my name is Ben Forta, and I am
the author of books on SQL, ColdFusion, WAP,
Windows  2000, and other subjects.

正则表达式
( ){2,}

结果
Hello, my name is Ben Forta, and I am
the author of books on SQL, ColdFusion, WAP,
Windows   2000, and other subjects.

分析

“( )”是一个子表达式并作为一个实体使用。在这里，“{2,}”将应用在整个子表达式上（而不仅仅是冒号）。这个模式很好的完成了工作。

 

下面是另外一个例子——用来定位 IP 地址的正则表达式。 IP 地址是由句号分隔的四组数字，如12.159.46.200等。因为每个部分的数字都可以为一个、两个或者三个数字字符，这个匹配模式可以表示为“\d{1,3}”。下面显示了这个例子：

文本

Pinging hog.forta.com [12.159.46.200]
with 32 bytes of data:

正则表达式
\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}

结果
Pinging hog.forta.com [12.159.46.200 ]
with 32 bytes of data:
分析

每个\d{1,3}的实例都匹配了 IP 地址的一个数字。四个数字则是被“ \. ”表示的“ . ”分隔开的。

 

“\d{1,3}\.”模式（不超过三个的数字和“ . ”）重复了三遍，因此可以使用重复操作来处理。下面是相同例子的另外一个版本：

文本
Pinging hog.forta.com [12.159.46.200]
with 32 bytes of data:

正则表达式
(\d{1,3}\.){3}\d{1,3}

结果
Pinging hog.forta.com [12.159.46.200 ]
with 32 bytes of data:

分析

此模式可以和前面的一样工作，但是语法并不相同。表达式“\d{1,3}\.”使用“ \( ”和“ \) ”括起来从而组成子表达式。“(\d{1,3}\.){3}”重复了次子表达式三次（也就是 IP 地址的前三个数字），接着的“\d{1,3}”匹配最后的数字。

注意：“(\d{1,3}\.){4}”并不是一个定位 IP 地址的正确方法。知道为什么这个模式会在上面的例子中失败吗？

提示：有些用户喜欢将部分表达式括起来成子表达式来增加可读性。上面例子中的模式还可以写为“(\d{1,3}\.){3}(\d{1,3})”。这种实践是完全合法的，而且对正则表达式的行为没有影响（可能会有解析上性能的开销，这取决于正则表达式具体的实现）。

使用子表达式来分组是很重要的。让我们再来看一个例子，尽管这个例子中根本不包括重复。下面的正则表达式试图在用户记录中找到一个年份：

文本
ID: 042
SEX: M
DOB: 1967-08-17
Status: Active

正则表达式
19|20\d{2}

结果
ID: 042
SEX: M
DOB: 19 67-08-17
Status: Active

分析

在这个例子中，此模式用来定位一个包含四个数字的年份。为了增加精确度，前两个数字只能为 19 和 20 。在第三章中解释过，“ | ”是一个 OR 操作符，所以“19|20”匹配“ 19 ”或者“ 20 ”，所以模式“19|20\d2 ”匹配任意以“ 19 ”或者“ 20 ”开始的四个数字字符的年份。但是很显然，此模式并不能工作，为什么？“ | ”操作符从左到右读取，将“19|20\d{2}”分析为要么 19 ，要么“20\d{2}”（以 20 开头的四个数字字符）。换句话说，此模式将匹配数字 19 和所有 20 开头的四个数字字符。所以， 19 也将会匹配。

解决方法是将“ 19|20 ”作为一个子表达式，就像下面一样：

文本
ID: 042
SEX: M
DOB: 1967-08-17
Status: Active

正则表达式
(19|20)\d{2}

结果
ID: 042
SEX: M
DOB: 1967 -08-17
Status: Active

分析

使用了子表达式，“ | ”知道如何选择选项。“(19|20)\d{2}”将会正确的匹配 1967 ，因为此模式能够匹配所有 19 和 20 开头的四个数字字符。如果时间更靠后一点，如一百年以后，需要增加一个 21 的匹配，模式可以修改为(19|20|21)\d{2}。

• 尽管本章使用了正则表达式的分组，在第八章中将介绍子表达式的一个很重要的用途。

 

嵌套子表达式

子表达式可以嵌套。实际上，子表达式可以一层一层嵌套在子表达式内。

嵌套子表达式的能力将极大的发挥正则表达式的威力，但是这将使得正则表达式看起来比较复杂，难以阅读和分析，有时候会有些吓人。事实上，嵌套子表达式由于其复杂性很少在实际中用到。

为了演示嵌套子表达式的用法，我们再来看看查找 IP 地址的例子。这是上面用过的模式（一个重复三次的子表达式和最后一个数字）：
(\d{1,3}\.){3}\d{1,3}

那么这个模式有什么问题呢？语法上是没有的。每个 IP 地址确实是由四个数字组成，每个数字可以包含三个数字字符，并通过句号分隔。这个模式是正确的，将匹配所有的合法 IP 地址。但是这不是此模式唯一可匹配的，非法的 IP 地址也将被匹配。

一个 IP 地址由四个字节组成，所以如12.159.46.200的 IP 地址实际上是四个字节的表示。因此， IP 地址的四个数字就有单字节的范围， 0 到 255 。这意味着 IP 地址中的每个数字都是小于 255 的。而上面的模式可以匹配 345 、 700 甚至是 999 ，而这些实际上都是非法的 IP 地址。

笔记：这是一个很好的教训。写出一个符合需求的正则表达式是很容易的，但是要写出一个匹配所有期望并拒绝所有不期望的情况的正则表达式是很难的。

指定合法值的范围是可以的，但是正则表达式匹配字符而并不知道匹配的字符是什么意思。数学上的计算并不是一个选项。

是否有选项呢？可能。为了构建正则表达式，你必须清晰的定义需要匹配什么而不匹配什么。下面定义了所有合法 IP 地址所需要满足的一种条件：

• 所有的一位数和两位数
• 三位数的第一位为 1
• 如果三位数的第一位为 2 ，且第二位从 0 到 4
• 如果三位数的前二位为 25 ，且第三位从 0 到 5

当定义了需要匹配的情况后，就比较容易实现可以工作的模式。下面是个例子：

文本
Pinging hog.forta.com [12.159.46.200]
with 32 bytes of data:

正则表达式
(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.){3}((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))

结果
Pinging hog.forta.com [12.159.46.200 ]
with 32 bytes of data:

分析

这个模式明显可以工作，但是还是需要一些解释。使得此模式工作的原因是一系列的嵌套子表达式。首先从“(((\d{1,2})|(1\d{2})|(2[0-4]\d)|(25[0-5]))\.)”子表达式开始。包含了四个嵌套子表达式。“(\d{1,2})”可以匹配一位数和两位数，从 0 到 99 。“(1\d{2})”匹配了任何第一位为 1 的三位数，从 100 到 199 。“(2[0-4]\d) ”匹配数字从 200 到 249 。“(25[0-5])”匹配数字从 250 到 255 。每个子表达式都是通过“ | ”包括在另一个子表达式中（所以将匹配四个中的一种，而不是所有）。在数字范围之后是“ \. ”表示的“ . ”，然后这个系列括起来作为子表达式并重复三遍（使用“{3}”）。最后，数字范围被用来匹配最后一个 IP 地址的数字（没有了“ \. ”后缀）。由于将 IP 地址的四个数字都是限制在了 0 到 255 之间，所以此模式可以匹配所有的合法 IP 地址，而拒绝所有不合法的 IP 地址。

 

提示：像这样的正则表达式看起来很复杂。理解其的关键是分解、分析和理解每个子表达式。试着从子表达式开始从内到外，而不是从头开始一个一个字符解析。这将使得正则表达式看起来没有那么复杂。

 

小结

子表达式通过“ ( ”和“ ) ”定义，并用于对表达式进行分组。子表达式的一般用法是精确的控制重复的对象和 OR 条件的使用。如果需要的话，子表达式可以嵌套。

 

@ 亦歌亦行 http://searun.iteye.com