正则表达式的Javascript应用

yiminghe

浏览: 1460370 次
性别:
来自: 上海

最近访客更多访客>>

akingde

xmg25

xiaolan02

archerfrank

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

regular-expression

正则表达式 JavaScript D语言 Perl prototype

网上很好的一篇文章：正则表达式30分钟入门教程

以及一本经典正则表达式权威 master regular expression

其中提到了很少用到的零宽断言正则表达式 (Zero-Width Assertions),javascript作为脚本语言虽然没有全部实现，但是对于预测式的零宽断言其实也是实现了的。

(?=exp)也叫零宽度正预测先行断言(positive lookahead):

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。

如：

var x=/\b\w+(?=ing\b)/g;
alert("I'm singing while you're dancing.".match(x));

(?<=exp)也叫零宽度正回顾后发断言(positive lookbehind 不支持) :

//not support by javascript from master regular expression
alert("yiminghes book".replace(/(?=s)(?<=yiminghe)/g,"'") == "yiminghe's book");

其实可以用分组回避:

//其实可以用分组捕获来回避的
alert("yiminghes book".replace(/(yiminghe)(?=s)/g,"$1'") == "yiminghe's book");

Java 支持：

public class Test {
    public static void main(String[] args){
        //java support lookahead and lookbehind
        System.out.println("yiminghes book".replaceAll("(?=s)(?<=yiminghe)","'") .equals("yiminghe's book"));
       
    }
}

零宽度负预测先行断言 (?!exp negative lookahead) :

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。

如：

var x=/\b((?!abc)\w)+\b/g;
alert('xyz abc zuc zabc 11'.match(x));

也可用来模拟字符类集合操作：

匹配 a-z 除去 acd

alert("z".match(/(?![acd])[a-z]/));

举例：匹配页面全部html的例子 （From high performance javascript）

最开始想法：

/<html>[\s\S]*?<head>[\s\S]*?<title>[\s\S]*?<\/title>[\s\S]*?<\/head>
[\s\S]*?<body>[\s\S]*?<\/body>[\s\S]*?<\/html>/

但是当页面html闭合出问题时，由于回朔（backtracking）性能会不可接受，利用 (?!)可修改为

/<html>(?:(?!<head>)[\s\S])*<head>(?:(?!<title>)[\s\S])*<title>
(?:(?!<\/title>)[\s\S])*<\/title>(?:(?!<\/head>)[\s\S])*<\/head>
(?:(?!<body>)[\s\S])*<body>(?:(?!<\/body>)[\s\S])*<\/body>
(?:(?!<\/html>)[\s\S])*<\/html>/

大大减少了backtracking，但是毕竟？！性能不高，再加上量词*，这个解决方案仍然不是最好，最好的方案见下文原子分组部分。

java 直接支持类操作：

System.out.println("a".matches("[[a-z]&&[^acd]]"));

(?<!exp) ,零宽度负回顾后发断言(不支持 negative lookbehind)

零宽度负预测先行断言在javascript中的一个很好的应用例子：

/**
 * 组合两个正则表达式。 
 * @param[RegExp] r 要组合的一个字符串
 * @param[String] attr attributes of the final new return RegExp
 * @return[RegExp] 
 */
RegExp.prototype.concat = function(r, attr){
 //零宽度负预测先行断言 ,所有捕捉分组个数 ,()不包括	(?:)
 var i=(this.source.match(/\((?!\?:)/g) || "").length; 
 
 //最终的regexp的第二个正则表达式部分的后向引用要考虑本身regexp已有的后向引用,重新编号
 return new RegExp(this.source+r.source.replace(/\\(\d)/g, function($0, $1){
  return "\\" + (i+($1 | 0)); 
 }), attr);
};

使用：

//匹配2个重复数字后跟一个字母
var x=/(\d)\1(?:\w)/g;
//然后必须紧跟两个重复字母
x=x.concat(/(\w)\1/,'g');
//x == /(\d)\1(?:\w)(\w)\2/g

alert('11aww  22xzy'.match(x));

原子分组应用 (?>) 不支持 (atomic group)固化分组

一旦匹配则消除由当前原子分组内的所有保存状态

保留小数2-3位，如果第三位不为0保留三位，否则保留两位

例子：

0.55555 -> 0.555
0.550005 -> 0.55
0.50002 -> 0.50

可以用正则式

"0.625".replace(/(\.\d\d[1-9]?)\d*/,"$1");

但是其实 0.625 可以完全不必被匹配(效率问题)，于是 [1-9]? 一旦匹配就不要再放弃了，可得

"0.625".replace(/(\.\d\d(?>[1-9]?))\d+/,"$1");

但是 js 不支持哦，但是可以用 positive lookhead 结合 backreference 来取代一下。利用 subexpression 来丢失状态以及捕获分组

/(\.\d\d(?=([1-9]?))\2)\d+/.test("0.625");

/(\.\d\d(?=([1-9]?))\2)\d+/.test("0.6250981");

lookahead 其实就是一个原子分组，但是如前所述它的匹配不消耗字符，因此可以通过将一个lookahead包裹在一个捕捉分组中，并在其后跟上backreference，而形成了以下模式：

(?=(pattern to make atomic))\1

多个的话只要注意backreference的计数即可。

最好的例子：接？！部分的匹配页面html例子：

利用原子分组彻底消除回朔可得：

/<html>(?=([\s\S]*?<head>))\1(?=([\s\S]*?<title>))\2(?=([\s\S]*?
<\/title>))\3(?=([\s\S]*?<\/head>))\4(?=([\s\S]*?<body>))\5
(?=([\s\S]*?<\/body>))\6[\s\S]*?<\/html>/

JAVA 丢失状态例子2 ：离开原子分组后｜保存的状态没了：

String str = "^(?>a+|.+)$";
String s = "aaaaaac";
Pattern p = Pattern.compile(str);
Matcher m = p.matcher(s);
System.out.println(m.replaceAll("!"));

possessive match (+) 不支持

同固化分组，一旦匹配就删除用于回朔的保存状态，一般和量词结合

"0.625".replace(/(\.\d\d[1-9]?＋)\d+/,"$1");

js 不支持 ,java.util.regexp 支持

System.out.println(".625".matches("(\\.\\d\\d[1-9]?+)\\d+"));

System.out.println(".625".matches("(\\.\\d\\d[1-9]?)\\d+"));

DOTALL 模式 (?s) 不支持

不支持 java 中的 Pattern.DOTALL 以及 (?s) ，以及 perl 中的 //s ,s modifier : .可以匹配回车换行

使用alternation以及character class弥补：

/.|[\n\r]/.test("\r");

条件判断：(?if then | else) 不支持

java ,javascript 均不支持

Pattern p = Pattern.compile("(<a>)?<img/>(?(1)\\s*</a>)");
        String s="<img/>";
        Matcher m=p.matcher(s);
        System.out.println(m.group());

/(<a>)?<img/>(?(1)\s*</a>)/.test("<img/>");

注意 if 中的正则表达式为零宽向前(?=,?!)或向后预测(?<=,><!)正则表达式。如果不写则为零宽正向向前预测。

详细解释：

正则表达式 (<a>)?<img/>(?(1)\s*</a>) 相当于： (<a>)?<img/>(?(1)(\s*</a>)|\s*)，可匹配的字符串包括 <a><img/></a> 与 <img/>，而不匹配 <a><img/> 或 <img/></a>。

其中 if (1) 为先前匹配到的分组 (<a>)，如果先前出现了 <a> 则接着匹配结束标记 </a>，否则直接匹配成功。

后果是代码极其不易读，实际中尽量不要使用！可分成多个正则联合检测

\G anchor 不支持

还包括 \A,\Z 等锚点都不支持！\G 在 perl,java 中表示当前匹配开始的位置在上次匹配结束的位置，如果失败则不会从字符串的下一个位置重新匹配。

1.在零匹配成功后,\G 位置为当前位置，而下一次匹配位置被强制为当前位置的下一位置（防止死循环），所以\G后只能一次成功零匹配

2.匹配成功后，如果从当前匹配结束位置不能匹配正则，则整体失败，不会从当前匹配结束位置的下一位置进行下一次匹配。

如：

       String[] ps = {"x*", "\\Gx*", "ab", "\\Gab","abc","\\Gabc"};
        String s = "abcabc";
        System.out.println(s + " : ");
        for (String str : ps) {
            System.out.print(str + " : ");
            Pattern p = Pattern.compile(str);
            Matcher m = p.matcher(s);
            System.out.println(m.replaceAll("!"));
        }

另外命名捕获，正则表达式内模式切换（Pattern.compile("(?i)T(?-i)Est")），注释，unicode 属性区块也不支持。

? lazy 描述符 支持

可修饰？以及 + ，* 等，不加都是贪婪模式，加了则为懒模式了（能不匹配就不匹配）：

var reg=/.+?/g;
reg.exec("12");
console.log(reg.lastIndex);

var reg=/.??/g;
reg.exec("12");
console.log(reg.lastIndex);

var reg=/.*?/g;
reg.exec("12");
console.log(reg.lastIndex);

Bonus ：

String.prototype.replace 的 javascript 实现比较

javascript 正则表达式细节问题

正则表达式共享问题

updated 2010-11-24

发现一个关于正则式的专业网站，详细比较了各种语言的正则引擎，本文内容都已经被他包含.....

updated 2011-01-11

发现一个很了解各个浏览器正则引擎的blog，原来浏览器也不是完全按照规范来的，各有不同（bug？）：

String.split 有问题

non-participate capture group 也有问题