正则表达式进阶

捕获匹配结果，并为之命名

以下示例表示匹配日期表示中的年月日，并给他们命名。

giNamed capture
\b(?<year>\d\d\d\d)-(?<month>\d\d)-(?<day>\d\d)\b
Regex options:None
Regex flavors:.NET, PCRE 7, Perl 5.10, Ruby 1.9
\b(?'year'\d\d\d\d)-(?'month'\d\d)-(?'day'\d\d)\b
Regex options:None
Regex flavors:.NET, PCRE 7, Perl 5.10, Ruby 1.9
\b(?P<year>\d\d\d\d)-(?P<month>\d\d)-(?P<day>\d\d)\b
Regex options:None
Regex flavors:PCRE 4 and later, Perl 5.10, Python

以下示例是匹配日期，并要求年份的后两位、月份、日子这三个数字要是一样的。目标字符串【2012-12-12】【2008-08-08】

Named backreferences
\b\d\d(?<magic>\d\d)-\k<magic>-\k<magic>\b
Regex options:None
Regex flavors:.NET, PCRE 7, Perl 5.10, Ruby 1.9
\b\d\d(?'magic'\d\d)-\k'magic'-\k'magic'\b
Regex options:None
Regex flavors:.NET, PCRE 7, Perl 5.10, Ruby 1.9

\b\d\d(?P<magic>\d\d)-(?P=magic)-(?P=magic)\b
Regex options:None
Regex flavors:PCRE 4 and later, Perl 5.10, Python

---

匹配字符串次数设置

• 匹配一个数字100次，正则表达式：【\b\d{100}\b】
• 匹配一个32-bit的十六进制数字，正则表达式：【\b[a-f]{1,8}\b】
• 匹配一个可能带有字母"h"的十六进制数字，正则表达式：【\b[a-f0-9]{1,8}h?】

解释：

• 【{n}】表示匹配前面的字符n次
• 【{n, m}】m大于n，表示匹配前面的字符n次~m次
• 【h?】等价于【h{0,1}】, 表示h不出现，或者出现一次。
• 【{n, }】表示匹配前缀的字符可以出现n次到无穷次。
• 【\d{1, }】等价于【\d+】,表示数字出现1到无穷次。
• 【\d{0,}】等价于【\d*】，表示数字出现0到无穷次。

---

惰性匹配

前面介绍都是贪心匹配，比如【\d{3, 10}】表达式会贪心匹配数字字符。

惰性匹配是指尽量少匹配，惰性匹配的方法就是在表达式后面加上【?】，比如表达式【\d{3, 10}?】等价于【\d{3}】.

惰性匹配的典型应用是在html/XML代码解析过程中，比如要从<p>test1</p><p>test2</p>字符串中找到第一个p标签的内容。最容易想到的表达式就是【<p>.*</p>】，但是其实这是个贪心匹配，会匹配第一个<p>到最后一个</p>之间的内容。对应的惰性匹配表达式就是【<p>.*?</p>】,将会匹配第一个<p>与第一个</p>之间的内容。

---

减少不必要的回溯

这部分将介绍两个名词：占有量词(possessive quantifier)、原子组(atomic group).

假如我们利用贪心量词表达式【\b\d+\b】去匹配目标字符串【1234X】,

• 【\b\d++】首先会匹配到【1234】，最后一个【\b】匹配失败；
• 再将【\b\d++】回溯匹配到【123】，最后一个【\b】又匹配失败；
• 再将【\b\d++】回溯匹配到【12】，最后一个【\b】又匹配失败；
• 最后【\b\d++】回溯匹配到【1】，最后一个【\b】有匹配失败，最终失败返回。

从以上步骤我们可以看出，贪心匹配又有一个明显的性能缺陷就是它会不断的回溯直至失败。如果目标字符串很长，它就很耗时。

针对贪心匹配的缺陷，有两种解决方法：占有量词、原子组。

占有量词与贪心匹配相似，它会尽量匹配更多的字符。不同点就是当匹配失败时，它不会回溯，它只会在剩余字符串查找匹配结果。

原子组的效果与占有量词是一样的。

下面介绍它们的表示方法。以表达式【\d+】为例

• 贪心匹配表达式：【\d+】
• 占有量词表达式是在贪心表达式加上【+】，形如【\d++】,【*+】,【?+】
• 原子组表达式形如【(?>regex)】，例如【(?>\d+)】

---

减少不必要的回溯

形式：【(?(1)then|else)】

解释：

如果group1的内容被匹配，则接下来匹配then部分。如果group1部分没有匹配就匹配else部分。

在此说明group的概念，一个正则表达式中，每一对括号包含的内容称为一个group，第一个括号的内容称为group1，第二个称为group2.

举例：【(a)b(?(1)c|d)】将会匹配abc或者bd。