正则基础之——\b 单词边界

1        概述
“\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

 

 view plaincopy to clipboardprint?
<script language="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 
<script language="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#

view plaincopy to clipboardprint?
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 
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

 

 

view plaincopy to clipboardprint?
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 
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

view plaincopy to clipboardprint?
<script language="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 
<script language="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#

view plaincopy to clipboardprint?
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% 
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

view plaincopy to clipboardprint?
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% 
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。