正则基础之神奇的转义.docx
《正则基础之神奇的转义.docx》由会员分享,可在线阅读,更多相关《正则基础之神奇的转义.docx(14页珍藏版)》请在冰豆网上搜索。
正则基础之神奇的转义
1概述
这或许会是一个让人迷惑,甚至感到混乱的话题,但也正因为如此,才有了讨论的必要。
在正则中,一些具有特殊意义的字符,或是字符序列,被称作元字符,如“?
”表示被修饰的子表达式匹配0次或1次,“(?
i)”表示忽略大小写的匹配模式等等。
而当这些元字符被要求匹配其本身时,就要进行转义处理了。
不同的语言或应用场景下,正则定义方式、元字符出现的位置不同,转义的方式也是林林总总,不一而同。
2.NET正则中的字符转义
2.1.NET正则中的转义符
绝大多数语言中,“\”都被作为转义符,用来转义一些具有特殊意义的字符或字符序列,比如“\n”表示换行,“\t”表示水平制表符等。
而这样的转义,应用到正则中,又会有一些意想不到的变化。
话题由C#中一个正则问题引出
string[]test=newstring[]{"\\","\\\\"};
Regexreg=newRegex("^\\\\$");
foreach(stringsintest)
{
richTextBox2.Text+="源字符串:
"+s.PadRight(5,'')+"匹配结果:
"+reg.IsMatch(s)+"\n";
}
/*--------输出--------
源字符串:
\匹配结果:
True
源字符串:
\\匹配结果:
False
*/
对于这个结果,或许有人会感到迷惑,字符串中的“\\”不是代表一个经过转义的“\”字符吗?
而“\\\\”不就应该代表两个经过转义的“\”字符吗?
那么上面正则匹配的结果应该是第一个为False,第二个为True才对啊?
对于这一问题,直接解释或许不太容易理解,还是换种方式来解释吧。
比如要匹配的字符是这样的
stringtest="(";
那么正则如何写呢?
因为“(”在正则中是有特殊意义的,所以写正则时必须对它进行转义,也就是“\(”,而在字符串中,要使用“\\”来表示“\”本身,也就是
Regexreg=newRegex("^\\($");
这个如果理解了,那再把“(”换回“\”,同样道理,在字符串中,要使用“\\”来表示“\”本身,也就是
Regexreg=newRegex("^\\\\$");
通过这样的分析,可以看出,其实在以字符串形式声明的正则中,“\\\\”匹配的实际上就是单独的一个“\”字符。
总结一下它们之间的关系:
输出到控制台或界面的字符串:
\
程序中声明的字符串:
stringtest="\\";
程序中声明的正则:
Regexreg=newRegex("^\\\\$");
这样解释是不是已经可以理解了,那么是不是感觉这样很笨拙?
是的,在程序中以字符串形式声明的正则,涉及到转义符时就是这样笨拙的。
所以在C#中,还提供了另一种字符串声明方式,在字符串前加个“@”,就可以忽略转义。
string[]test=newstring[]{@"\",@"\\"};
Regexreg=newRegex(@"^\\$");
foreach(stringsintest)
{
richTextBox2.Text+="源字符串:
"+s.PadRight(5,'')+"匹配结果:
"+reg.IsMatch(s)+"\n";
}
/*--------输出--------
源字符串:
\匹配结果:
True
源字符串:
\\匹配结果:
False
*/
这样就简洁多了,也符合通常的理解。
但同时也带来另一个问题,就是双引号的转义处理。
在普通的字符串声明中,可以用“\””对双引号进行转义。
stringtest="onlyatest";
但是在字符串前加了“@”后,“\”会被识别为“\”字符本身,这样就不能用“\””对双引号进行转义了,需要用“”””对双引号进行转义。
stringtest=@"onlyatest";
而在VB.NET中,正则的定义只有一种形式,与C#中加了“@”后的定义方式是一致的。
DimtestAsString()=NewString(){"\","\\"}
DimregAsRegex=NewRegex("^\\$")
ForEachsAsStringIntest
RichTextBox2.Text+="源字符串:
"&s.PadRight(5,""c)&"匹配结果:
"®.IsMatch(s)&vbCrLf
Next
'--------输出--------
'源字符串:
\匹配结果:
True
'源字符串:
\\匹配结果:
False
'--------------------
2.2.NET正则中需要转义的元字符
在MSDN中,以下字符作为正则中的元字符,在匹配其本身时,需要对其进行转义
.$^{[(|)*+?
\
但实际应用中,还要根据实际情况来判断,以上字符可能不需要转义,也可能不止以上字符需要转义。
在正常的正则书写过程中,以上字符的转义通常都能被编写人员正常处理,但是在动态生成正则时,就需要格外的注意,否则变量中包含元字符时,动态生成的正则在编译时可能会抛异常。
好在.NET中提供了Regex.Escape方法来处理这一问题。
比如根据动态获取的id来提取相应的div标签内容。
stringid=Regex.Escape(textBox1.Text);
Regexreg=newRegex(@"(?
is)
:
(?
!
id=).)*id=(['""]?
)"+id+@"\1[^>]*>(?
>
(?
<-o>)|(?
:
(?
!
?
div\b).)*)*(?
(o)(?
!
))
");
如果不做转义处理,那么动态获取的id如果为“abc(def”这种形式,程序运行过程中就会抛出异常了。
2.3.NET正则中字符组的转义
在字符组[]中,元字符通常是不需要转义的,甚至于“[”也是不需要转义的。
stringtest=@"theteststring:
.$^{[(|)*+?
\";
Regexreg=newRegex(@"[.$^{[(|)*+?
\\]");
MatchCollectionmc=reg.Matches(test);
foreach(Matchminmc)
{
richTextBox2.Text+=m.Value+"\n";
}
/*--------输出--------
.
$
^
{
[
(
|
)
*
+
?
\
*/
但是在正则书写时,字符组中的“[”还是建议使用“\[”对其转义的,正则本身就已经是非常抽象,可读性很低的了,如果在字符组中再掺杂进这样不经转义的“[”,会使得可读性更差。
而且在出现不正确的嵌套时,可能会导致正则编译异常,以下正则在编译时就会抛异常的。
Regexreg=newRegex(@"[.$^{[(]|)*+?
\\]");
然而,.NET的字符组中,是支持集合减法的,在这种正常语法形式下,是允许字符组嵌套的。
stringtest=@"abcdefghijklmnopqrstuvwxyz";
Regexreg=newRegex(@"[a-z-[aeiou]]+");
MatchCollectionmc=reg.Matches(test);
foreach(Matchminmc)
{
richTextBox2.Text+=m.Value+"\n";
}
/*--------输出--------
bcd
fgh
jklmn
pqrst
vwxyz
*/
这种用法可读性很差,应用也很少见,即使有这种需求也可以通过其它方式实现,了解一下即可,不必深究。
话题再回到转义上,字符组中必须转义的只有“\”,而“[”和“]”出现在字符组中时,也是建议一定做转义处理的。
另外有两个字符“^”和“-”,出现在字符组中特定位置时,如果要匹配其本身,也是需要转义的。
“^”出现在字符组开始位置,表示排除型字符组,“[^Char]”也就是匹配除字符组中包含的字符之外的任意一个字符,比如“[^0-9]”表示除数字外的任意一个字符。
所以在字符组中,要匹配“^”字符本身,要么不放在字符组开始位置,要么用“\^”进行转义。
Regexreg1=newRegex(@"[0-9^]");
Regexreg2=newRegex(@"[\^0-9]");
这两种方式都表达匹配任意一个数字或普通字符“^”。
至于“-”在字符组中特殊性,举一个例子。
stringtest=@"$";
Regexreg=newRegex(@"[#-*%&]");
richTextBox2.Text="匹配结果:
"+reg.IsMatch(test);
/*--------输出--------
匹配结果:
True
*/
正则表达式中明明没有“$”,为什么匹配结果会是“True”呢?
[]支持用连字符“-”连接两个字符,来表示一个字符范围。
需要注意的是,“-”前后的两个字符是有顺序的,在使用相同的编码时,后面的字符码位应大于或等于前面字符的码位。
for(inti='#';i<='*';i++)
{
richTextBox2.Text+=(char)i+"\n";
}
/*--------输出--------
#
$
%
&
'
(
)
*
*/
由于“#”和“*”符合要求,“[#-*]”可以表示一个字符范围,其中就包含了字符“$”,所以上面的正则是可以匹配“$”的,如果只是把“-”当作一个普通字符处理,那么要么换个位置,要么把“-”转义。
Regexreg1=newRegex(@"[#*%&-]");
Regexreg2=newRegex(@"[#\-*%&]");
这两种方式都表示匹配字符组中列举的字符中的任意一个。
在字符组中,还有一个比较特殊的转义字符,“\b”出现在正则表达式中一般位置时,表示单词边界,也就是一侧为组成单词的字符,另一侧不是;而当“\b”出现在字符组中时,表示的是退格符,与普通字符串中出现的“\b”意义是一样的。
同样的,还有一个容易被忽视,而且经常被忽视的转义符“|”,当“|”出现在正则表达式中一般位置时,表示左右两侧“或”的关系;而当“|”出现在字符组中时,它仅仅表示“|”字符本身,没有任何特殊意义,所以如果不是要匹配“|”本身,而试图在字符组中使用“|”时,是错误的。
比如正则表达式“[a|b]”表示的是“a”、“b”、“|”中的任意一个,而不是“a”或“b”。
2.4.NET正则应用中不可见字符转义处理
对于一些不可见字符,要在字符串中表示时,需要用转义字符,比较常见的有“\r”、“\n”、“\t”等等,而这些字符在正则中应用,就变得有些神奇了,先看一段代码。
stringtest="oneline.\nanotherline.";
Listlist=newList();
list.Add(newRegex("\n"));
list.Add(newRegex("\\n"));
list.Add(newRegex(@"\n"));
list.Add(newRegex(@"\\n"));
foreach(Regexreginlist)
{
richTextBox2.Text+="正则表达式:
"+reg.ToString();
MatchCollectionmc=reg.Matches(test);
foreach(Matchminmc)
{
richTextBox2.Text+="匹配内容:
"+m.Value+"匹配起始位置:
"+m.Index+"匹配长度:
"+m.Length;
}
richTextBox2.Text+="匹配总数:
"+reg.Matches(test).Count+"\n----------------\n";
}
/*--------输出--------
正则表达式:
匹配内容:
匹配起始位置:
10匹配长度:
1匹配总数:
1
----------------
正则表达式:
\n匹配内容:
匹配起始位置:
10匹配长度:
1匹配总数:
1
----------------
正则表达式:
\n匹配内容:
匹配起始位置:
10匹配长度:
1匹配总数:
1
----------------
正则表达式:
\\n匹配总数:
0
----------------
*/
可以看到,前三种写法,输出的正则虽不同,但执行结果却是完全相同的,只有最后一种是没有匹配的。
正则表达式一Regex("\n"),其实就是以普通字符串形式来声明正则的,与用Regex("a")来匹配字符“a”是同样的道理,是不经过正则引擎转义的。
正则表达式二Regex("\\n"),是以正则表达式形式来声明正则的,正如正则中的“\\\\”就等同于字符串中的“\\”一样,正则中的“\\n”就等同于字符串中的“\n”,是经过正则引擎转义的。
正则表达式三Regex(@"\n"),与正则表达式二等价,是字符串前加“@”的写法。
正则表达式四Regex(@"\\n"),其实这个表示的是字符“\”后面跟一个字符“n”,是两个字符,这个在源字符串中自然是找不到匹配项的。
这里需要特别注意的还是“\b”,不同的声明方式,“\b”的意义是不同的。
stringtest="oneline.\nanotherline.";
Listlist=newList();
list.Add(newRegex("line\b"));
list.Add(newRegex("line\\b"));
list.Add(newRegex(@"line\b"));
list.Add(newRegex(@"line\\b"));
foreach(Regexreginlist)
{
richTextBox2.Text+="正则表达式:
"+reg.ToString()+"\n";
MatchCollectionmc=reg.Matches(test);
foreach(Matchminmc)
{
richTextBox2.Text+="匹配内容:
"+m.Value+"匹配起始位置:
"+m.Index+"匹配长度:
"+m.Length+"\n";
}
richTextBox2.Text+="匹配总数:
"+reg.Matches(test).Count+"\n----------------\n";
}
/*--------输出--------
正则表达式:
line_
匹配总数:
0
----------------
正则表达式:
line\b
匹配内容:
line匹配起始位置:
4匹配长度:
4
匹配内容:
line匹配起始位置:
20匹配长度:
4
匹配总数:
2
----------------
正则表达式:
line\b
匹配内容:
line匹配起始位置:
4匹配长度:
4
匹配内容:
line匹配起始位置:
20匹配长度:
4
匹配总数:
2
----------------
正则表达式:
line\\b
匹配总数:
0
----------------
*/
正则表达式一Regex("line\b"),这里的“\b”是退格符,是不经过正则引擎转义的。
源字符串中是没有的,所以匹配结果为0。
正则表达式二Regex("line\\b"),是以正则表达式形式来声明正则的,这里的“\\b”是单词边界,是经过正则引擎转义的。
正则表达式三Regex(@"line\b"),与正则表达式二等价,指单词边界。
正则表达式四Regex(@"line\\b"),其实这个表示的是字符“\”后面跟一个字符“b”,是两个字符,这个在源字符串中自然是找不到匹配项的。
2.5.NET正则应用中其它转义处理
.NET正则应用中还有一些其它转义方式,虽然用得不多,但也顺便提一下吧。
需求:
把字符串中“<”和“>”之间的数字前加上“$”
stringtest="onetest<123>,anothertest<321>";
Regexreg=newRegex(@"<(\d+)>");
stringresult=reg.Replace(test,"<$$1>");
richTextBox2.Text=result;
/*--------输出--------
onetest<$1>,anothertest<$1>
*/
也许你会惊奇的发现,替换结果不是在数字前加了“$”,而是将所有数字都替换为“$1”了。
为什么会这样呢,这是因为在替换结构中,“$”是有特殊意义的,在它后面接数字,表示对对应编号捕获组匹配结果的引用,而有些情况下,需要在替换结果中出现“$”字符本身,但它后面又跟了数字,这时候就需要用“$$”对它进行转义了。
而上面这个例子却恰恰是由于这种转义效果导致出现了异常结果,要规避这一问题,可以使替换结果中不出现对捕获组的引用。
stringtest="onetest<123>,anothertest<321>";
Regexreg=newRegex(@"(?
<=<)(?
=\d+>)");
stringresult=reg.Replace(test,"$");
richTextBox2.Text=result;
/*--------输出--------
onetest<$123>,anothertest<$321>
*/
3JavaScript及Java中的转义符
JavaScript及Java中正则的转义符处理,以字符串形式声明时,基本上都是与.NET中一致的,简单的介绍一下。
在JavaScript中,以字符串形式声明正则,与C#中的表现是一样的,同样会显得很笨拙。
vardata=["\\","\\\\"];
varreg=newRegExp("^\\\\$","");
for(vari=0;i{
document.write("源字符串:
"+data[i]+"匹配结果:
"+reg.test(data[i])+"
");
}
/*--------输出--------
源字符串:
\匹配结果:
true
源字符串:
\\匹配结果:
false
*/
JavaScript中虽然没有提供C#中这种“@”方式的字符串声明方式,但提供了另一种正则表达式的专有声明方式。
vardata=["\\","\\\\"];
varreg=/^\\$/;
for(vari=0;i{
document.write("源字符串:
"+data[i]+"匹配结果:
"+reg.test(data[i])+"
");
}
/*--------输出--------
源字符串:
\匹配结果:
true
源字符串:
\\匹配结果:
false
*/
JavaScript中
varreg=/Expression/igm;
这种声明方式,一样可以简化含有转义符的正则。
当然,以这种形式声明正则时,“/”自然也就成为了元字符,正则中出现这一字符时,必须进行转义处理。
比如匹配链接中域名的正则
varreg=/http:
\/\/:
([^\/]+)/ig;
很不幸的是,在Java中,目前只提供了一种正则声明方式,也就是字符串形式的声明方式
Stringtest[]=newString[]{"\\","\\\\"};
Stringreg="^\\\\$";
for(inti=0;i{
System.out.println("源字符串:
"+test[i]+"匹配结果:
"+Ppile(reg).matcher(test[i]).find());
}
/*--------输出--------
源字符串:
\匹配结果:
true
源字符串:
\\匹配结果:
false
*/
只能期待Java的后续版本能提供这方面的优化了。