正則（高級）（轉）
深入理解正則表達式高級教程 Featured
作者： Zjmainstay本文是一篇正則表達式高級教程，主要通過對正則表達式幾個概念的介紹，深入探討正則表達式高級功能，以期達到通俗化解釋正則表達式高深概念的目的。
- 深入理解正則表達式應用
-
- 概念一：按單字符匹配
- 概念二：匹配優先和不匹配優先
- 概念三：貪婪模式與非貪婪模式
- 概念四：環視（斷言/零寬斷言）
- 概念五：平衡組
- 概念六：模式修飾符
- 七：正則三段論應用
- 正則三段論：定錨點，去噪點，取數據
-
前面已經寫過一篇文章《我眼裏的正則表達式（入門）》介紹過正則表達式的基礎和基本套路正則三段論：定錨點，去噪點，取數據了，接下來這篇文章，補充一點相對高級的概念：
1. 概念一：按單字符匹配
2. 概念二：匹配優先和不匹配優先
3. 概念三：貪婪模式與非貪婪模式
4. 概念四：環視（斷言）
5. 概念五：平衡組
6. 概念六：模式修飾符
7. 附：正則三段論應用
概念一：按單字符匹配
正則裏面的數據都是按照單個字符來進行匹配的，這個通過數值區間的例子最容易體現出來，比如，示例一：
我要匹配0-15的數值區間，用正則來寫的話，便是[0-9]|1[0-5]，這裏，便是把0-9這種單字符的情況，和10-15這種多字符的情況拆分開了，使用分支|來區分開，表示要麽是0-9，要麽是10-15。
上面是兩位數值的情況，現在延伸至1-65535，我個人的處理思想是從大到小，一塊塊分解：
1. 65530-65535 ==> 6553[0-5] 末位區間0-52. 65500-65529 ==> 655[0-2][0-9] 第四位區間0-2，末位區間0-93. 65000-65499 ==> 65[0-4][0-9]{2} 第三位區間0-4，後兩位0-94. 60000-64999 ==> 6[0-4][0-9]{3} 第二位區間0-4，後三位0-95. 10000-59999 ==> [1-5][0-9]{4} 第一位區間1-5，後四位0-96. 1-9999 ==> [1-9][0-9]{0,3} 第一位只能是1-9，後三位可有可無
最後組合起來： (6553[0-5]|655[0-2][0-9]|65[0-4][0-9]{2}|6[0-4][0-9]{3}|[1-5][0-9]{4}|[1-9][0-9]{0,3})
便得到1-65535匹配正則。
根據數據處理需求，可以在正則前後加上^和$，以匹配整個數據串，或者前後加入\b，把它當做單詞邊界處理。沒有限定字符的邊界往往是js正則判斷中常見的錯誤之一。
概念二：匹配優先和不匹配優先
匹配優先和不匹配優先從字面理解也是比較容易的，所謂匹配優先，就是，能匹配我就先匹配；不匹配優先就是，能不匹配我就先不匹配，這段匹配先跳過，先看看後面的匹配能不能通過。
概念三：貪婪模式與非貪婪模式
正則的貪婪模式和非貪婪模式是一個比較容易混淆的概念，不過，我們可以這麽理解，一個人很貪婪，所以他會能拿多少拿多少，換過來，那就是貪婪模式下的正則表達式，能匹配多少就匹配多少，盡可能最多。而非貪婪模式，則是能不匹配就不匹配，盡可能最少。
下面舉個例子，示例二：
需求：匹配1後面跟任意個0
源串：10001
使用貪婪模式：10* 結果：1000 和 1
使用非貪婪模式：10*? 結果：1 和 1
首先，*是匹配0個或多個的意思。
貪婪模式下，它表示，首先匹配一個1，然後匹配1後面的0，最多可以匹配3個0，因此得到1000，然後第二次又匹配到一個1，但是後面沒有0，因此得到1；
非貪婪模式下，它表示，首先匹配一個1，然後1後面的0，能不匹配就不匹配了，所以，它每次都只是匹配了一個1。
看到這裏，也許，有些人覺得，哎呀，我懂了！
那麽，下來我們改改，看看你是不是真懂了。
示例三：
需求：匹配1後面跟任意個0，再跟一個1
源串：10001
使用貪婪模式：10*1 結果：10001
使用非貪婪模式：10*?1 結果：10001
為什麽這兩次的結果一樣了？
因為，正則表達式要判斷完這整個正則才算成功，這種情況下，
貪婪模式，首先匹配一個1，然後匹配1後面盡可能多的0，發現3個，再匹配0後面的一個1，正則表達式匹配完，完成匹配，得到10001；
非貪婪模式，首先匹配一個1，然後，0*?是非貪婪模式，它不想匹配了（非貪婪模式不匹配優先），看看後面是不是1了？然後發現哎媽呀，後面是個0啊，然後它回頭，不能再偷懶了，用0*?匹配一個0吧，然後匹配到10，又不想匹配了，看看後面有沒有1了，還是沒有，又回去用0*?匹配掉一個0，得到100，繼續偷懶，但是發現後面還不是1，然後又用0*?匹配得到1000，最後，發現真不容易啊，終於看到1了，匹配得到10001，正則表達式匹配完，完成匹配。
看到這裏，是不是懂了？
那究竟哪個模式好呢？
什麽時候使用貪婪模式，什麽時候使用非貪婪模式，哪個性能好，哪個性能不好，不能一概而論，要根據情況分析。
下面我舉個例子：
源碼：
<a href="http://www.zjmainstay.cn/my-regexp" target="_blank" title="我眼裏的正則表達式（入門）">我眼裏的正則表達式（入門）</a><a title="我眼裏的正則表達式（入門）" href="http://www.zjmainstay.cn/my-regexp" target="_blank">我眼裏的正則表達式（入門）</a>
正則1：<a [^>]*?href="([^"]*?)"[^>]*?>([^<]*?)</a>（238次）
正則2：<a [^>]*?href="([^"]*)"[^>]*>([^<]*)</a>（65次）
正則3：<a [^>]*href="([^"]*)"[^>]*>([^<]*)</a>（136次）
附：執行次數的獲取請下載正則表達式測試工具：RegexBuddy 4.1.0-正則測試工具.rar，使用裏面的Debug功能。
正則1是通用寫法，正則2是在確定字符不會溢出的情況下消除非貪婪模式，正則3是證明並不是全部消除非貪婪模式就是最優。
因此，關於貪婪模式好還是非貪婪模式好的討論，只能說根據需求而定，不過，在平時的時候用，一般使用非貪婪模式較多，因為貪婪模式經常會由於元字符範圍限制不嚴謹而導致匹配越界，得到非預期結果。
在確定的數據結構裏，可以嘗試使用[^>]*>這樣的排除字符貪婪模式替換非貪婪模式，提升匹配的效率。註意，貪婪部分（[^>]*）的匹配，最好不要越過其後面的字符（>），否則會導致貪婪模式下的回溯，如正則3，[^>]*的匹配越過了href，一直匹配到>為止，而這時候再匹配href，會匹配不到而導致多次回溯處理，直到回溯到href前的位置，後面才繼續了下去。
另外，需要註意一點，無論使用貪婪模式還是非貪婪模式，在不同語言需要註意回溯次數和嵌套次數的限制，比如在PHP中，pcre.backtrack_limit=100000，pcre.recursion_limit=100000。
概念四：環視（斷言/零寬斷言）
環視，在不同的地方又稱之為零寬斷言，簡稱斷言。
用一句通俗的話解釋：
環視，就是先從全局環顧一遍正則，（然後斷定結果，）再做進一步匹配處理。
斷言，就是先從全局環顧一遍正則，然後斷定結果，再做進一步匹配處理。
兩個雖然字面不一樣，意思卻是同一個，都是做全局觀望，再做進一步處理。
環視的作用相當於對其所在位置加了一個附加條件，只有滿足這個條件，環視子表達式才能匹配成功。
環視主要有以下4個用法： (?<=exp) 匹配前面是exp的數據 (?<!exp) 匹配前面不是exp的數據 (?=exp) 匹配後面是exp的數據 (?!exp) 匹配後面不是exp的數據
示例四： (?<=B)AAA 匹配前面是B的數據，即BAAA匹配，而CAAA不匹配 (?<!B)AAA 匹配前面不是B的數據，即CAAA匹配，而BAAA不匹配 AAA(?=B) 匹配後面是B的數據，即AAAB匹配，而AAAC不匹配 AAA(?!B) 匹配後面不是B的數據，即AAAC能匹配，而AAAB不能匹配
另外，還會看到(?!B)[A-Z]這種寫法，其實它是[A-Z]範圍裏，排除B的意思，前置的(?!B)只是對後面數據的一個限定，從而達到過濾匹配的效果。
因此，環視做排除處理是比較實用的，比如，示例五：
需求：字母、數字組合，不區分大小寫，不能純數字或者純字母，6-16個字符。
通用正則：^[a-z0-9]{6,16}$ 字母數字組合，6-16個字符
排除純字母：(?!^[a-z]+$)
排除純數字：(?!^[0-9]+$)
組合起來：(?!^[a-z]+$)(?!^[0-9]+$)^[a-z0-9]{6,16}$
註意，環視部分是不占寬度的，所以有零寬斷言的叫法。
所謂不占寬度，可以分成兩部分理解：
1、環視的匹配結果不納入數據結果
2、環視它匹配過的地方，下次還能用它繼續匹配。
如果不是環視，則匹配過的地方，不能再匹配第二次了。
上面示例四體現了：環視的匹配結果不納入數據結果，它的結果：
(?<=B)AAA 源串：BAAA 結果：AAA(?<!B)AAA 源串：CAAA 結果：AAAAAA(?=B) 源串：AAAB 結果：AAAAAA(?!B) 源串：AAAC 結果：AAA
而示例五體現了：環視它匹配過的地方，下次還能用它繼續匹配
因為，整個匹配過程中，正則表達式一共走了3次字符串匹配，第一次匹配不全部是字母，第二次匹配不全部是數字，第三次匹配全部是字母數字組合，6-16個字符。
擴展部分：`[A-Z](?<=B)` [A-Z]範圍等於B`[A-Z](?<!B)` [A-Z]範圍排除B`(?!B)[A-Z]` [A-Z]範圍排除B
附： js不支持(?<=exp) 和 (?<!exp) 語法
概念五：平衡組
平衡組並不是所有程序語言都支持，而我本人使用的PHP語言就不支持，所以平時接觸也是比較少的。
平衡組主要用到下面四個語法：
(?‘group‘) 把捕獲的內容命名為group,並壓入堆棧(Stack)(?‘-group‘) 從堆棧上彈出最後壓入堆棧的名為group的捕獲內容，如果堆棧本來為空，則本分組的匹配失敗(?(group)yes|no) 如果堆棧上存在以名為group的捕獲內容的話，繼續匹配yes部分的表達式，否則繼續匹配no部分(?!) 零寬負向先行斷言，由於沒有後綴表達式，如沒有(?!B)的B，試圖匹配總是失敗
在PHP中是支持(?(group)yes|no)語法的，這裏的group是分組編號，即子模式編號，如(A)?(?(1)yes|no) ，匹配Ayes 和 no
下面這裏引用《正則表達式30分鐘入門教程#平衡組》關於<>配對匹配的例子，展示平衡組用法，
< #最外層的左括號[^<>]* #最外層的左括號後面的不是括號的內容(((?‘Open‘<) #碰到了左括號，在黑板上寫一個"Open"[^<>]* #匹配左括號後面的不是括號的內容)+((?‘-Open‘>) #碰到了右括號，擦掉一個"Open"[^<>]* #匹配右括號後面不是括號的內容)+)*(?(Open)(?!)) #在遇到最外層的右括號時，判斷黑板上還有沒有沒擦掉的"Open"；如果還有，則匹配失敗> #最外層的右括號平衡組的一個最常見的應用就是匹配HTML,下面這個例子可以匹配嵌套的<div>標簽：<div[^>]*>[^<>]*(((?‘Open‘<div[^>]*>)[^<>]*)+((?‘-Open‘</div>)[^<>]*)+)*(?(Open)(?!))</div>
概念六：模式修飾符
模式修飾符在許多程序語言中都支持的，比如最常見的是i，不區分大小寫，如javascript裏的/[a-z0-9]/i，表示匹配字母數字，不區分大小寫。
本人在寫php正則時常用的模式修飾符主要有i和s，如： $pattern = ‘#[a-z0-9]+#is‘;
模式修飾符s的作用主要是的.能夠匹配換行，在處理換行數據時，通常會用到。
在PHP中，模式修飾符有兩種用法，一種是上面的，在分隔符後面的模式修飾符，它的作用範圍是全局；另一種是在正則表達式中間的。
例如：
正則：/((?i)[A-Z]+)c/測試字符：abcABC匹配：abc說明：局部（ab）的大小寫被忽略了，(?i)的作用範圍在分組1內
如果把正則改成：/([A-Z]+)c/i，則匹配結果將是：abcABC
示例地址：PHP正則表達式中間的模式修飾符
關於PHP模式修飾符的講解，請查看PHP手冊中的《PHP模式修飾符》。
七：正則三段論應用
《我眼裏的正則表達式（入門）》 和 本文《深入正則表達式應用》幾乎傾盡本人正則學習全部思想，但是很多讀者反饋，看暈了！看到如此點評，實屬無奈，因此，有必要追加本節，來個整體統籌運用，希望能讓大家猶如撥雲見月，洞悉其中的精義。
正則三段論：定錨點，去噪點，取數據
兩篇文章中，最重要的部分當屬正則三段論：定錨點，去噪點，取數據，它是整個正則處理過程中的靈魂，它貫穿整個正則撰寫過程。
下面舉例說明它的思想，示例六：
源數據：標題：深入正則表達式應用，作者：Zjmainstay需求：匹配作者名字
我要從源數據取到Zjmainstay這個作者名，那麽，在這裏，作者：就是我們所說的錨點，因為在上面這段數據中它能夠唯一定位到我們的數據Zjmainstay（就在它後面），因此，我們得到
(1) 定錨點：作者：
而在這裏，我們不需要關心標題什麽的，因此，標題：深入正則表達式應用，就是我們的噪點，因此，我們得到
(2) 去噪點
最後，我們確定作者：後面就是我們的數據，這個數據可以是任意字符，因此，我們得到正則： 作者：(.*)
而噪點部分，因為不會對數據取值造成幹擾，直接去掉，不需要引入正則中。
下面再舉一個噪點幹擾的例子，示例七：
源數據： <a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正則三段論應用舉例">正則表達式入門教程</a>需求：提取鏈接和標題，還有a標簽的文字
看到這個源數據和需求，我們必須定位好錨點，主要有：
1. <a //必須是a標簽
2. href=" 和 " //href=""的內容得到鏈接
3. title=" 和 " //title=""的內容得到標題
4. > 和 </a> //>和</a>的內容得到標簽文字
然後，其他的都是噪點，使用.*?替代，需要提取的數據部分使用括號獲取子模式，得到分組數據，因此得到正則： <a href="(.*?)".*?title="(.*?)">(.*?)</a>
看到這裏，也許有朋友覺得，我還是不會寫，那麽，再來一個更簡單的構建方法，細化步驟，從源串逐步得到正則，示例八：
1. 直接拷貝源串，特殊字符處理轉義（本例沒特殊字符）<a href="http://www.zjmainstay.cn/my-regexp" class="demo8" title="正則三段論應用舉例">正則表達式入門教程</a>2. 從左到右，一段段轉化2.1 <a href="(.*?)" class="demo8" title="正則三段論應用舉例">正則表達式入門教程</a>2.2 <a href="(.*?)".*?title="正則三段論應用舉例">正則表達式入門教程</a>2.3 <a href="(.*?)".*?title="(.*?)">正則表達式入門教程</a>2.4 <a href="(.*?)".*?title="(.*?)">(.*?)</a>3. 得到最終的正則<a href="(.*?)".*?title="(.*?)">(.*?)</a>
至此，正則三段論的基本思想已經展示完畢，大家還有什麽不解請評論留言，本人看到會第一時間給予回復。
熟悉正則三段論處理思想，剩下的便是基本語義的熟練程度了，這個通過多用多練可以達到熟能生巧的境界。
最後留下一句至尊提醒：.是萬能字符，大家看著用，遇到換行使用[\s\S]替換.即可。
正則（高級）（轉）