50、.NET正则表达式深入解析-优快云博客

本文链接：https://blog.youkuaiyun.com/bean/article/details/149385792

.NET正则表达式深入解析

1. .NET正则表达式简介

Microsoft的.NET Framework与Visual Basic、C#和C++等语言兼容，提供了一个共享的正则表达式库，统一了这些语言中的正则表达式语义。它是一个功能齐全、强大的引擎，能让你在速度和便利性之间实现最大的灵活性。虽然每种语言处理对象和方法的语法不同，但底层的对象和方法是相同的，所以一种语言中的复杂示例可以直接转换到.NET语言套件的其他语言中。

2. .NET正则表达式风格

.NET采用传统的NFA正则表达式引擎，因此之前关于NFA的重要知识都适用。下面的表格总结了.NET的正则表达式风格：

类别	具体内容
字符简写	`\a` `[\b]` `\e` `\f` `\n` `\r` `\t` `\v` `\octal` `\x##` `\u####` `\cchar`
字符类和类构造	`[˙˙˙]` `[^˙˙˙]` 点号（有时匹配任意字符）类简写： `\w` `\d` `\s` `\W` `\D` `\S` Unicode属性和块： `\p{Prop}` `\P{Prop}`
锚点和零宽测试	行/字符串开始： `^` `\A` 行/字符串结束： `$` `\z` `\Z` 前一个匹配结束位置： `\G` 单词边界： `\b` `\B` 环视： `(?=˙˙˙)` `(?!˙˙˙)` `(?<=˙˙˙)` `(?<!˙˙˙)`
注释和模式修改	模式修改： `(?mods - mods)` 允许的修改符： `x` `s` `m` `i` `n` 模式修改范围： `(?mods - mods:˙˙˙)` 注释： `(?#˙˙˙)`
分组、捕获、条件和控制	捕获括号： `(˙˙˙)` `\1` `\2` … 平衡分组： `(?<name - name>˙˙˙)` 命名捕获、反向引用： `(?<name>˙˙˙)` `\k<name>` 仅分组括号： `(?:˙˙˙)` 原子分组： `(?>˙˙˙)` 交替： `<` 贪婪量词： `` `+` `?` `{n}` `{n,}` `{x,y}` 懒惰量词： `?` `+?` `??` `{n}?` `{n,}?` `{x,y}?` 条件： `(?if then<else)` （“if”可以是环视、 `(num)` 或 `(name)` ）

此外，还有一些额外的注意事项：
- \b 在字符类中是退格符的简写，在字符类外匹配单词边界。
- \x## 允许恰好两个十六进制数字，例如 \xFCber 匹配 ‘über’。
- \u#### 允许恰好四个十六进制数字，例如 \u00FCber 匹配 ‘über’， \u20AC 匹配 ‘€’。
- 从2.0版本开始，.NET Framework的字符类支持类减法，例如 [a - z - [aeiou]] 表示非元音小写ASCII字母。
- \w 、 \d 和 \s （及其大写对应项）通常匹配适当的Unicode字符的完整范围，但使用 RegexOptions.ECMAScript 选项时会切换到仅ASCII模式。

3. .NET匹配和正则表达式模式

以下表格列出了.NET的匹配和正则表达式模式：

RegexOptions选项	`(?mode)`	描述
`.Singleline`	`s`	使点号匹配任何字符
`.Multiline`	`m`	扩展 `^` 和 `$` 可以匹配的位置
`.IgnorePatternWhitespace`	`x`	设置自由间距和注释模式
`.IgnoreCase`	`i`	开启不区分大小写的匹配
`.ExplicitCapture`	`n`	关闭 `(˙˙˙)` 的捕获功能，只有 `(?<name>˙˙˙)` 进行捕获
`.ECMAScript`		限制 `\w` 、 `\s` 和 `\d` 仅匹配ASCII字符等
`.RightToLeft`		正则表达式正常应用，但方向相反（从字符串末尾开始向开头移动），但有缺陷
`.Compiled`		提前花费额外时间优化正则表达式，使其应用时匹配更快

4. 正则表达式风格的额外说明

命名捕获 ：.NET支持命名捕获，通过 (?<name>˙˙˙) 或 (?'name'˙˙˙) 语法实现。可以使用 \k<name> 或 \k'name' 在正则表达式中反向引用命名捕获的文本。匹配后，可以通过 Match 对象的 Groups(name) 属性（C#中为 Groups[name] ）访问命名捕获的文本。在替换字符串中，可以使用 ${name} 序列访问命名捕获的结果。为了允许所有组都能通过数字访问，命名捕获组也会被赋予编号。不过，不建议混合使用普通捕获括号和命名捕获，否则捕获组的编号分配可能会带来重要的后果。
条件测试 ： (?if then;else) 条件中的 if 部分可以是任何类型的环视，或者是括号中的捕获组编号或捕获组名称。普通文本（或普通正则表达式）在这个位置会自动被视为正向环视。为了避免歧义，建议使用显式的 (?=˙˙˙) 。
“编译”表达式 ：
- 解析：程序运行中首次遇到正则表达式时，必须检查并将其转换为适合正则表达式引擎实际应用的内部形式。
- 即时编译 ：使用 RegexOptions.Compiled 选项时，正则表达式引擎会将其编译为低级的MSIL代码，后续可由JIT编译器进一步优化为更快的本机机器代码。这样做会花费更多的时间和内存，但能使正则表达式运行更快。
- 预编译正则表达式 ：可以将 Regex 对象封装到磁盘上的DLL中，供其他程序通用。

使用 RegexOptions.Compiled 进行即时编译时，在初始启动时间、持续内存使用和正则表达式匹配速度之间存在重要的权衡：

指标	不使用 `RegexOptions.Compiled`	使用 `RegexOptions.Compiled`
启动时间	更快	更慢（慢60倍）
内存使用	低	高（每个约5 - 15k）
匹配速度	不快	快达10倍

5. 右到左匹配

.NET的 RegexOptions.RightToLeft 选项实现了右到左的匹配。但该选项的语义未明确记录，实际使用中结果可能出人意料。例如，对字符串 ‘123 and 456’ 应用 \d+ ，正常匹配结果是 ‘123’，直觉上右到左匹配应是 ‘456’，但实际结果可能不同。所以使用该选项时需自行承担风险。

6. 反斜杠 - 数字歧义

当反斜杠后跟数字时，它可能是八进制转义或反向引用，具体取决于是否指定了 RegexOptions.ECMAScript 选项。如果不想处理这些微妙的差异，可以使用 \k<num> 进行反向引用，或者以零开头的八进制转义（如 \08 ）确保其被正确识别。

7. ECMAScript模式

ECMAScript是JavaScript的标准化版本，有自己的正则表达式解析和应用语义。使用 RegexOptions.ECMAScript 选项创建的.NET正则表达式会尝试模仿这些语义。启用该模式时，只有 RegexOptions.IgnoreCase 、 RegexOptions.Multiline 和 RegexOptions.Compiled 可以与之组合，并且 \w 、 \d 和 \s （及其大写对应项）会切换到仅ASCII匹配模式。

下面是一个简单的mermaid流程图，展示了选择是否使用 RegexOptions.Compiled 的决策过程：

graph TD;
    A[正则表达式应用场景] --> B{是否对速度要求高且处理大量文本};
    B -- 是 --> C[使用RegexOptions.Compiled];
    B -- 否 --> D{是否是简单正则且处理少量文本};
    D -- 是 --> E[不使用RegexOptions.Compiled];
    D -- 否 --> F[权衡利弊后决定];

通过以上内容，我们对.NET的正则表达式有了更深入的了解，包括其风格、模式、特殊功能以及使用时的注意事项。在实际应用中，我们可以根据具体需求选择合适的模式和选项，以达到最佳的性能和效果。

8. 命名捕获的深入分析

命名捕获是.NET正则表达式的一个强大特性，它允许我们为捕获组指定名称，从而提高代码的可读性和可维护性。以下是关于命名捕获的更多细节：
- 语法选择 ：前面提到了 (?<name>˙˙˙) 和 (?'name'˙˙˙) 两种语法，虽然它们功能相同，但 (?<name>˙˙˙) 可能会更常用。例如，在匹配日期的正则表达式中： (?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2}) ，使用这种语法可以清晰地表明每个捕获组的含义。
- 反向引用 ：在正则表达式内部，我们可以使用 \k<name> 或 \k'name' 来引用命名捕获的内容。比如，对于正则表达式 (?<word>\w+)\s+\k<word> ，它可以匹配像 “hello hello” 这样重复的单词。
- 结果访问 ：匹配完成后，我们可以通过 Match 对象的 Groups 属性来访问命名捕获的结果。在C#中，代码示例如下：

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main()
    {
        string input = "2024-09-10";
        string pattern = @"(?<year>\d{4})-(?<month>\d{2})-(?<day>\d{2})";
        Match match = Regex.Match(input, pattern);
        if (match.Success)
        {
            string year = match.Groups["year"].Value;
            string month = match.Groups["month"].Value;
            string day = match.Groups["day"].Value;
            Console.WriteLine($"Year: {year}, Month: {month}, Day: {day}");
        }
    }
}

编号规则 ：为了方便通过数字访问所有捕获组，命名捕获组也会被编号。编号顺序是在所有非命名捕获组之后。例如，正则表达式 (\w)(?<num>\d+)(\s+) 中，非命名捕获组 (\w) 编号为1，命名捕获组 (?<num>\d+) 编号为3，非命名捕获组 (\s+) 编号为2。

9. 条件测试的实际应用

条件测试 (?if then;else) 为正则表达式提供了更灵活的匹配逻辑。以下是一些常见的应用场景：
- 基于捕获组的条件判断 ：可以根据捕获组的结果来决定后续的匹配逻辑。例如，正则表达式 (?(<num>\d+) \d+; [a-z]+) ，如果前面的 (?<num>\d+) 成功匹配到数字，那么后续会尝试匹配更多的数字；否则，会尝试匹配小写字母。
- 避免歧义 ：如前面所述，普通文本在条件测试的 if 部分会自动被视为正向环视。为了避免歧义，建议使用显式的 (?=˙˙˙) 。例如，正则表达式 (?(?=Num) then; else) 明确表示进行正向环视。

10. 编译选项的详细权衡

以下是一个mermaid流程图，展示了根据不同场景选择是否使用编译选项的决策过程：

graph TD;
    A[正则表达式应用场景] --> B{是否需要频繁使用同一正则表达式};
    B -- 是 --> C{处理的文本量是否大};
    C -- 是 --> D[使用RegexOptions.Compiled];
    C -- 否 --> E{对匹配速度要求是否高};
    E -- 是 --> D;
    E -- 否 --> F[不使用RegexOptions.Compiled];
    B -- 否 --> F;

11. 右到左匹配的问题与解决方案

虽然 RegexOptions.RightToLeft 选项提供了右到左匹配的功能，但由于其语义不明确，在使用时可能会遇到各种问题。以下是一些可能的解决方案：
- 手动反转字符串 ：如果右到左匹配的结果不符合预期，可以手动反转目标字符串和正则表达式，然后进行正常的左到右匹配。例如，对于字符串 “123 and 456” 和正则表达式 \d+ ，可以将字符串反转成 “654 dna 321”，正则表达式反转成 +d\ ，然后进行匹配，最后再将匹配结果反转回来。
- 测试和验证 ：在使用右到左匹配之前，对各种可能的输入进行测试和验证，确保结果符合预期。可以编写单元测试来覆盖不同的场景，及时发现和解决问题。

12. 反斜杠 - 数字歧义的解决策略

为了避免反斜杠 - 数字歧义带来的问题，可以采用以下策略：
- 使用 \k<num> 进行反向引用 ：无论是否使用 RegexOptions.ECMAScript 选项， \k<num> 都能明确表示反向引用。例如，正则表达式 (?<word>\w+)\s+\k<word> 可以准确匹配重复的单词。
- 以零开头的八进制转义 ：使用以零开头的八进制转义（如 \08 ）可以确保其被正确识别为八进制转义。

13. ECMAScript模式的兼容性考虑

当使用 RegexOptions.ECMAScript 模式时，需要考虑与其他模式的兼容性。以下是一些注意事项：
- 组合限制 ：只有 RegexOptions.IgnoreCase 、 RegexOptions.Multiline 和 RegexOptions.Compiled 可以与 RegexOptions.ECMAScript 组合使用。在编写代码时，需要确保不会使用其他不兼容的选项。
- 字符匹配范围 ： \w 、 \d 和 \s （及其大写对应项）会切换到仅ASCII匹配模式。如果需要匹配Unicode字符，就不能使用该模式。