經(jīng)驗(yàn)總結(jié)談VB.NET正則表達(dá)式匹配
正則表達(dá)式大家熟悉嗎？了解多少，在這里我們就正則表達(dá)式來深入的研究一下吧。本文將關(guān)于使用?*或+進(jìn)行重復(fù)、使用“.”匹配幾乎任意字符 、字符串開始和結(jié)束的錨定、單詞邊界四方面進(jìn)行分析。
1.使用?*或+進(jìn)行重復(fù)
?：告訴引擎匹配前導(dǎo)字符0次或一次。事實(shí)上是表示前導(dǎo)字符是可選的。
+：告訴引擎匹配前導(dǎo)字符1次或多次
*：告訴引擎匹配前導(dǎo)字符0次或多次 <[A-Za-z][A-Za-z0-9]*> 匹配沒有屬性的HTML標(biāo)簽，“ <”以及“> ”是文字符號。***個(gè)字符集匹配一個(gè)字母，第二個(gè)字符集匹配一個(gè)字母或數(shù)字。我們似乎也可以用 <[A-Za-z0-9]+> 。但是它會匹配 <1> 。但是這個(gè)正則表達(dá)式在你知道你要搜索的字符串不包含類似的無效標(biāo)簽時(shí)還是足夠有效的。
限制性重復(fù)許多現(xiàn)代的正則表達(dá)式實(shí)現(xiàn)，都允許你定義對一個(gè)字符重復(fù)多少次。詞法是：{min,max}。min和max都是非負(fù)整數(shù)。如果逗號有而max被忽略了，則max沒有限制。如果逗號和max都被忽略了，則重復(fù)min次。因此{(lán)0,}和*一樣，{1，}和+的作用一樣。你可以用 < <\b[1-9][0-9]{3}\b> > 匹配1000~9999之間的數(shù)字(“\b”表示單詞邊界)。 < <\b[1-9][0-9]{2,4}\b> > 匹配一個(gè)在100~99999之間的數(shù)字。
注意貪婪性假設(shè)你想用一個(gè)VB.NET正則表達(dá)式匹配一個(gè)HTML標(biāo)簽。你知道輸入將會是一個(gè)有效的HTML文件，因此正則表達(dá)式不需要排除那些無效的標(biāo)簽。所以如果是在兩個(gè)尖括號之間的內(nèi)容，就應(yīng)該是一個(gè)HTML標(biāo)簽。許多正則表達(dá)式的新手會首先想到用正則表達(dá)式 < < <.+> > > ，他們會很驚訝的發(fā)現(xiàn)，對于測試字符串，“Thisisa first test”，你可能期望會返回 ，然后繼續(xù)進(jìn)行匹配的時(shí)候，返回 。但事實(shí)是不會。VB.NET正則表達(dá)式匹配“ first ”。很顯然這不是我們想要的結(jié)果。原因在于“+”是貪婪的。也就是說，“+”會導(dǎo)致正則表達(dá)式引擎試圖盡可能的重復(fù)前導(dǎo)字符。只有當(dāng)這種重復(fù)會引起整個(gè)VB.NET正則表達(dá)式匹配失敗的情況下，引擎會進(jìn)行回溯。也就是說，它會放棄***一次的“重復(fù)”，然后處理正則表達(dá)式余下的部分。和“+”類似，“?*”的重復(fù)也是貪婪的。
深入正則表達(dá)式引擎內(nèi)部讓我們來看看正則引擎如何匹配前面的例子。***個(gè)記號是“ <”，這是一個(gè)文字符號。第二個(gè)符號是“.”，匹配了字符“E”，然后“+”一直可以匹配其余的字符，直到一行的結(jié)束。然后到了換行符，匹配失敗(“.”不匹配換行符)。于是引擎開始對下一個(gè)正則表達(dá)式符號進(jìn)行匹配。也即試圖匹配“> ”。到目前為止，“ <.+”已經(jīng)匹配了“ first test”。引擎會試圖將“> ”與換行符進(jìn)行匹配，結(jié)果失敗了。于是引擎進(jìn)行回溯。結(jié)果是現(xiàn)在“ <.+”匹配“ first tes”。于是引擎將“> ”與“t”進(jìn)行匹配。顯然還是會失敗。這個(gè)過程繼續(xù)，直到“ <.+”匹配“ first ”與“> ”匹配。于是引擎找到了一個(gè)匹配“ first ”。記住，正則導(dǎo)向的引擎是“急切的”，所以它會急著報(bào)告它找到的***個(gè)匹配。而不是繼續(xù)回溯，即使可能會有更好的匹配，例如“ ”。所以我們可以看到，由于“+”的貪婪性，使得正則表達(dá)式引擎返回了一個(gè)最左邊的最長的匹配。
用懶惰性取代貪婪性一個(gè)用于修正以上問題的可能方案是用“+”的惰性代替貪婪性。你可以在“+”后面緊跟一個(gè)問號“?”來達(dá)到這一點(diǎn)。“*”，“{}”和“?”表示的重復(fù)也可以用這個(gè)方案。因此在上面的例子中我們可以使用“ <.+?> ”。讓我們再來看看正則表達(dá)式引擎的處理過程。再一次，正則表達(dá)式記號“ <”會匹配字符串的***個(gè)“ <”。下一個(gè)正則記號是“.”。這次是一個(gè)懶惰的“+”來重復(fù)上一個(gè)字符。這告訴正則引擎，盡可能少的重復(fù)上一個(gè)字符。因此引擎匹配“.”和字符“E”，然后用“> ”匹配“M”，結(jié)果失敗了。引擎會進(jìn)行回溯，和上一個(gè)例子不同，因?yàn)槭嵌栊灾貜?fù)，所以引擎是擴(kuò)展惰性重復(fù)而不是減少，于是“ <.+”現(xiàn)在被擴(kuò)展為“
惰性擴(kuò)展的一個(gè)替代方案我們還有一個(gè)更好的替代方案。可以用一個(gè)貪婪重復(fù)與一個(gè)取反字符集：“ <[^> ]+> ”。之所以說這是一個(gè)更好的方案在于使用惰性重復(fù)時(shí)，引擎會在找到一個(gè)成功匹配前對每一個(gè)字符進(jìn)行回溯。而使用取反字符集則不需要進(jìn)行回溯。***要記住的是，本教程僅僅談到的是正則導(dǎo)向的引擎。文本導(dǎo)向的引擎是不回溯的。但是同時(shí)他們也不支持惰性重復(fù)操作。
2.使用“.”匹配幾乎任意字符
在正則表達(dá)式中，“.”是最常用的符號之一。不幸的是，它也是最容易被誤用的符號之。“.”匹配一個(gè)單個(gè)的字符而不用關(guān)心被匹配的字符是一什么。唯一的例外是新行符。在本教程中談到的引擎，缺省情況下都是不匹配新行符的。因此在缺省情況下，“.”等于是字符集[^\n\r](Window)或[^\n](Unix)的簡寫。這個(gè)例外是因?yàn)闅v史的原因。因?yàn)樵缙谑褂谜齽t表達(dá)式的工具是基于行的。它們都是一行一行的讀入一個(gè)文件，將正則表達(dá)式分別應(yīng)用到每一行上去。在這些工具中，字符串是不包含新行符的。因此“.”也就從不匹配新行符。
現(xiàn)代的工具和語言能夠?qū)⒄齽t表達(dá)式應(yīng)用到很大的字符串甚至整個(gè)文件上去。本教程討論的所有正則表達(dá)式實(shí)現(xiàn)都提供一個(gè)選項(xiàng)，可以使“.”匹配所有的字符，包括新行符。
在RegexBuddy,EditPadPro或PowerGREP等工具中，你可以簡單的選中“點(diǎn)號匹配新行符”。在Perl中，“.”可以匹配新行符的模式被稱作“單行模式”。很不幸，這是一個(gè)很容易混淆的名詞。因?yàn)檫€有所謂“多行模式”。多行模式只影響行首行尾的錨定(anchor)，而單行模式只影響“.”。其他語言和正則表達(dá)式庫也采用了Perl的術(shù)語定義。當(dāng)在.NETFramework中使用正則表達(dá)式類時(shí)，你可以用類似下面的語句來激活單行模式：Regex.Match(“string”,”regex”,RegexOptions.SingleLine)
保守的使用點(diǎn)號“.”點(diǎn)號可以說是***大的元字符。它允許你偷懶：用一個(gè)點(diǎn)號，就能匹配幾乎所有的字符。但是問題在于，它也常常會匹配不該匹配的字符。我會以一個(gè)簡單的例子來說明。讓我們看看如何匹配一個(gè)具有“mm/dd/yy”格式的日期，但是我們想允許用戶來選擇分隔符。很快能想到的一個(gè)方案是 < <\d\d.\d\d.\d\d> > 。看上去它能匹配日期“02/12/03”。問題在于02512703也會被認(rèn)為是一個(gè)有效的日期。 < <\d\d[-/.]\d\d[-/.]\d\d> > 看上去是一個(gè)好一點(diǎn)的解決方案。記住點(diǎn)號在一個(gè)字符集里不是元字符。這個(gè)方案遠(yuǎn)不夠完善，它會匹配“99/99/99”。而 < <[0-1]\d[-/.][0-3]\d[-/.]\d\d> > 又更進(jìn)一步。盡管他也會匹配“19/39/99”。你想要你的正則表達(dá)式達(dá)到如何***的程度取決于你想達(dá)到什么樣的目的。如果你想校驗(yàn)用戶輸入，則需要盡可能的***。如果你只是想分析一個(gè)已知的源，并且我們知道沒有錯(cuò)誤的數(shù)據(jù)，用一個(gè)比較好的VB.NET正則表達(dá)式匹配你想要搜尋的字符就已經(jīng)足夠。
3.字符串開始和結(jié)束的錨定
錨定和一般的正則表達(dá)式符號不同，它不匹配任何字符。相反，他們匹配的是字符之前或之后的位置。“^”匹配一行字符串***個(gè)字符前的位置。 < <^a> > 將會匹配字符串“abc”中的a。 < <^b> > 將不會匹配“abc”中的任何字符。類似的，$匹配字符串中***一個(gè)字符的后面的位置。所以 <
錨定的應(yīng)用在編程語言中校驗(yàn)用戶輸入時(shí)，使用錨定是非常重要的。如果你想校驗(yàn)用戶的輸入為整數(shù)，用 < <^\d+$> > 。用戶輸入中，常常會有多余的前導(dǎo)空格或結(jié)束空格。你可以用 < <^\s*> > 和 < <\s*$> > 來匹配前導(dǎo)空格或結(jié)束空格。
使用“^”和“$”作為行的開始和結(jié)束錨定如果你有一個(gè)包含了多行的字符串。例如：“firstline\n\rsecondline”(其中\(zhòng)n\r表示一個(gè)新行符)。常常需要對每行分別處理而不是整個(gè)字符串。因此，幾乎所有的正則表達(dá)式引擎都提供一個(gè)選項(xiàng)，可以擴(kuò)展這兩種錨定的含義。“^”可以匹配字串的開始位置(在f之前)，以及每一個(gè)新行符的后面位置(在\n\r和s之間)。類似的，$會匹配字串的結(jié)束位置(***一個(gè)e之后)，以及每個(gè)新行符的前面(在e與\n\r之間)。在.NET中，當(dāng)你使用如下代碼時(shí)，將會定義錨定匹配每一個(gè)新行符的前面和后面位置：Regex.Match("string","regex",RegexOptions.Multiline)應(yīng)用：stringstr=Regex.Replace(Original,"^","> ",RegexOptions.Multiline)--將會在每行的行首插入“> ”。
絕對錨定 < <\A> > 只匹配整個(gè)字符串的開始位置， < <\Z> > 只匹配整個(gè)字符串的結(jié)束位置。即使你使用了“多行模式”， < <\A> > 和 < <\Z> > 也從不匹配新行符。即使\Z和$只匹配字符串的結(jié)束位置，仍然有一個(gè)例外的情況。如果字符串以新行符結(jié)束，則\Z和$將會匹配新行符前面的位置，而不是整個(gè)字符串的***面。這個(gè)“改進(jìn)”是由Perl引進(jìn)的，然后被許多的正則表達(dá)式實(shí)現(xiàn)所遵循，包括Java，.NET等。如果應(yīng)用 < <^[a-z]+$> > 到“joe\n”，則匹配結(jié)果是“joe”而不是“joe\n”。
在本文中講述了正則表達(dá)式中的組與向后引用，先前向后查看，條件測試，單詞邊界，選擇符等表達(dá)式及例子，并分析了正則引擎在執(zhí)行匹配時(shí)的內(nèi)部機(jī)理。
4.單詞邊界
元字符 < <\b> > 也是一種對位置進(jìn)行匹配的“錨”。這種匹配是0長度匹配。有4種位置被認(rèn)為是“單詞邊界”：
1)在字符串的***個(gè)字符前的位置(如果字符串的***個(gè)字符是一個(gè)“單詞字符”)
2)在字符串的***一個(gè)字符后的位置(如果字符串的***一個(gè)字符是一個(gè)“單詞字符”)
3)在一個(gè)“單詞字符”和“非單詞字符”之間，其中“非單詞字符”緊跟在“單詞字符”之后
4)在一個(gè)“非單詞字符”和“單詞字符”之間，其中“單詞字符”緊跟在“非單詞字符”后面“單詞字符”是可以用“\w”匹配的字符，“非單詞字符”是可以用“\W”匹配的字符。
在大多數(shù)的正則表達(dá)式實(shí)現(xiàn)中，“單詞字符”通常包括 < <[a-zA-Z0-9_]> > 。例如： < <\b4\b> > 能夠匹配單個(gè)的4而不是一個(gè)更大數(shù)的一部分。這個(gè)正則表達(dá)式不會匹配“44”中的4。換種說法，幾乎可以說 < <\b> > 匹配一個(gè)“字母數(shù)字序列”的開始和結(jié)束的位置。“單詞邊界”的取反集為 < <\B> > ，他要匹配的位置是兩個(gè)“單詞字符”之間或者兩個(gè)“非單詞字符”之間的位置。
深入正則表達(dá)式引擎內(nèi)部讓我們看看把正則表達(dá)式 < <\bis\b> > 應(yīng)用到字符串“Thisislandisbeautiful”。引擎先處理符號 < <\b> > 。因?yàn)閈b是0長度，所以***個(gè)字符T前面的位置會被考察。因?yàn)門是一個(gè)“單詞字符”，而它前面的字符是一個(gè)空字符(void)，所以\b匹配了單詞邊界。接著 < > 和***個(gè)字符“T”匹配失敗。匹配過程繼續(xù)進(jìn)行，直到第五個(gè)空格符，和第四個(gè)字符“s”之間又匹配了 < <\b> > 。然而空格符和 < > 不匹配。繼續(xù)向后，到了第六個(gè)字符“i”，和第五個(gè)空格字符之間匹配了 < <\b> > ，然后 <
【編輯推薦】
分享到微信 
分享到微博
