替换（substitution）之捕获分组

这是我写的第一篇关于正则表达式的文章。至于正则表达式，在本科时代学习《编译原理》的时候，略微看过了一下，并没有深究。最近学习nutch的框架，当看到conf/regex-normalize.xml,完全傻眼了。为了进一步学习，不得不重新开始regex(正则表达式)。

 

一切从这里开始……

<!-- removes session ids from urls (such as jsessionid and PHPSESSID) -->
<regex>
  <pattern>([;_]?((?i)l|j|bv_)?((?i)sid|phpsessid|sessionid)=.*?)(\?|&amp;|#|$)</pattern>
  <substitution>$4</substitution>
</regex>

要读懂这段代码，首先要搞懂regex中两个很重要的知识：

1、捕获分组

2、替换（substitution）

 

第一、捕获分组

基本概念：

regex中每个“（）”（圆括号）之内的内容就是一个分组；第n(n=1、2、3……)个分组，可以用“$n”表示；每个分组的组号之间的大小关系是：右边的一定大于左边的，内层的一定大于外层的；换句话说，分组的序数=当前分组连同自己的左括号在内的左括号个数。

一些特殊情况：

1、"$0"表示整个符合

2、在java语言中，分组$n，若n大于分组总数的话，则会报错。

3、在java语言中，$23,只会被看做第23个分组。不会被看作第二个分组和普通字符“3”

举个例子说明一下吧：

regex:(a(b(b1))(c))(e)

RegexBuddy分析所得：（backreference，反向引用：即是指本文用的术语"分组"）

 

Match the regular expression below and capture its match into backreference number 1 «(a(b(b1))(c))»
    Match the regular expression below and capture its match into backreference number 2 «(b(b1))»
           Match the regular expression below and capture its match into backreference number 3 «(b1)»
           Match the regular expression below and capture its match into backreference number 4 «(c)»
      Match the regular expression below and capture its match into backreference number 5 «(e)»

第二、替换（substitution）

提到替换，首先就要涉及三个关键词：

1、regex:描述需要抽取作进一步处理（替换）的子字符串（相对于整个输入的字符串）的特征

2、替换文本：描述替换效果（结果）的特征
3、源字符串：即输入的整个字符串

现在，一切回到原点（conf/regex-normalize.xml）吧……

结合强大的regexbuddy做个实验吧！

regex:([;_]?((?i)l|j|bv_)?((?i)sid|phpsessid|sessionid)=.*?)(\?|&amp;|#|$)

替换文本：$1=I am kaiwingho;$3=I am Kaiwii

源字符串：www.kaiwii.com?Sid=who are u

输出结果：Sid=who are u=I am kaiwingho;Sid=I am Kaiwii

分析：

$1指代第一个捕获分组，即([;_]?((?i)l|j|bv_)?((?i)sid|phpsessid|sessionid)=.*?)。因为分组后面加上？，则表示这个分组所描述的内容可以出现1次或者0次，所以即使([;_]?((?i)l|j|bv_)?所描述的情况在源字符串压根没有出现，但是只要符合((?i)sid|phpsessid|sessionid)=.*?出现了就可以作为第一个分组所捕获的内容，即：Sid=who are u

【另外要说明一下的是，"（？i）"是一个regex元字符，表示它所在的分组的内容大小写忽略】

$3指代第三个捕获分组，即((?i)sid|phpsessid|sessionid)，捕获内容：Sid（大小写忽略)

总结：

所以不难理解conf/regex-normalize.xml里面的意义：

从全部识别出来的内容保留$4,第四个捕获分组（即(\?|&amp;|#|$)），因为里面描述的内容为Url中两个变量之间的连接符号，所以实现了目的：

<!-- removes session ids from urls (such as jsessionid and PHPSESSID) -->