让正则更上一层楼

简介:

最近在研读《正则指引》,再将正则相关知识点梳理一遍。

下图是JavaScript中的正则功能,说明一列可看到支持程度。

 

一、语法

1)量词

匹配优先量词(greedy quantifier),也称为贪婪量词,在拿不准是否要匹配的时候,优先尝试匹配,记下这个状态,以备将来返回(回溯)。

忽略优先量词(lazy quantifier或reluctant quantifier),也称为懒惰量词,优先尝试跳过

下图是工具RegexBuddy中展示的回溯图,“backtrack”就是回溯的意思。

//贪婪量词
<p>.*<\/p>
//惰性量词
<p>.*?<\/p>
//匹配的字符串
<p>123</p><p>456</p>

贪婪量词

惰性量词

2)括号

1. 分组(grouping)

把一个表达式用括号括起来,括号内的表达式称为“子表达式”,例如“(\d{2}[0-9x])?”,括号内就变成了一个整体,或许不出现,或许出现一次。

2. 多选结构(alternative)

用竖线“(..|..)”分割开多个子表达式,这些子表达式也叫多选分支(option)。

3. 引用分组

正则表达式会保存每个分组真正匹配的文本,匹配完成后,通过group(num)之类的方法,“引用”分组在匹配时捕获的内容。num表示对应编号,从左往右,从1开始。JavaScript不支持命名分组。

4. 非捕获分组(non-capturing group)

前面说过,正则会保存匹配的文本,但有时候并不需要保存,提升性能,那么就需要非捕获。非捕获型括号就是开括号后紧跟问号与冒号“(?:...)”。

在《飞起来的正则表达式》中详细分析了匹配捕获的代码操作。

3)断言

1. 单词边界:【\b】

一边匹配【\w】(包括[0-9a-zA-Z]),一边不能匹配。下图深色部分是单词边界匹配的规则。

2. 行起始/结束位置:【^与$】

行终止符是【\r\n】,多行模式“m”可以在第二行继续匹配,例如需要匹配下面每个以数字开头的行,就能匹配第一和第三行。

1. first
no digit
3. third

3. 环视:顺序环视,逆序环视

环视类似单词边界,在旁边的文本满足某种条件,但本身不匹配任何字符。环视匹配的是位置,不是字符。JavaScript不支持逆序环视。

 

二、正则表达式原理

1)理论模型

正则表达式采用了一种理论模型,有穷自动机(Finite Automata),或叫状态机

自动售货机就是一种有穷自动机,假设饮料价格都是整数,只接收5块钱的纸币,可能的状态就会有6个:5元、4元、3元、2元、1元和0元。

塞进5元 =》 点1瓶可乐花掉3元 =》剩下3元按退币 =》 状态切换到0元 =》 0元也叫最终状态。

   

2)正则引擎

正则引擎会将一个正则直接量或者 RegExp 编译为一个原生代码程序,也就是生成许多自动机(状态);

测试的字符串会游走在各种状态之间,最终停在某个状态。

正则的引擎为两类:DFANFA

DFA(Deterministic Finite Automaton)确定型有穷自动机,DFA引擎不需要进行回溯,所以匹配效率一般情况下要高,但是它并不支持捕获组,于是也就不支持反向引用和$这种形式的引用,也不支持环视(Lookaround)、非贪婪模式等一些NFA引擎特有的特性。

NFA(Non-deterministic Finite Automata)不确定型有穷自动机

NFA对于一个字符的输入有可能存在多个以上的状态转移,而DFA对于每一个输入只存在一个选择

下图中DFA中S3位置输入a是S4,输入b是S2;而NFA中S2的位置输入b有两个可以转移到S3或S1.

所以每一个NFA都可以转化为一个DFA,但是一个DFA可以转化为多个NFA。

3)回溯

回溯的两个要点,引用自《精通正则表达式》第4章中的回溯:

1. 如果需要在“进行尝试”和“跳过尝试”之间选择,对于匹配优先量词,引擎会选择“进行尝试”;而忽略优先量词,会选择“跳过尝试”。

2. 回溯的时候,使用的分支是距离当前最近存储的选项,使用的原则是LIFO(Last In First Out)。

动画片中经常会出现走山洞,会在分岔路口丢块面包屑,用这个比喻就是,如果前面是死路,你只需原路返回,直到找到一堆面包屑为止。

 

三、正则技巧

1)关于元素的三种逻辑

按照元素(单个字符、字符组、多选分支等)的出现情况分为3类:必须出现,可能出现,不能出现。

不管正则多么复杂,总是这3种逻辑的组合。

2)表达式中的优先级

正则表达式的元素之间的组合关系只有4种。

 

四、正则表达式常见操作

1)提取

用正则表达式遍历整个字符串,找出匹配的文本。相关的方法是RegExp.exec(string)string.match(RegExp)

2)验证

检查字符串能否用正则表达式匹配。相关的方法是RegExp.test(string)

3)替换

删除不必要的文本,调整数据。相关的方法是string.replace(RegExp, replacement)

4)切分

元素是切分之后的片段。相关的方法是string.split(RegExp)

在《JavaScript与PHP中正则》中有具体分析各个方法的使用。

 

五、工具

通过使用RegexBuddy这个工具,可以对正则有更多感性的认识。

1)Token

工具会将正则表达式分解成各个“Token”。

1. 示例

<p>.*?<\/p>

上面的表达式对应的Token如下:

在上图中描述出了正则是区分大小写、惰性匹配、还有各个字符的匹配。

上面的正则比较简单,可以找个复杂点的正则查看Token,例如匹配邮箱的正则。

^[a-zA-Z0-9.!#$%&'*+\/=?^_`{|}~-]+@[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?(?:\.[a-zA-Z0-9](?:[a-zA-Z0-9-]{0,61}[a-zA-Z0-9])?)*$

2. Explain Token

点击“Explain Token”将弹出chm文档,不是中文的。

3. Insert Token

这是个简便功能,可以快速插入元字符、Unicode字符、还有一些组合(所有字符等),环视等。

第一张图是点击后的下拉菜单,第二张图是Unicode字符选择。

   

2)Debug

1. 匹配

下图中带颜色的部分就是能够匹配的字符

2. 调试

调试的时候要注意一些细节,上图中红色选中部分,要把鼠标位置放在字符串的最前面。

点击“Debug”后就能看到匹配过程。将鼠标选中某一行,能够看到对应的Token。例如下图选中了13行,对应的Token会加一层底色。

  

3)性能调优

在第9.3章中给出了一些正则的优化建议,包括使用缓存、准确表达意图、避免重复匹配、独立出文本和锚点。

我理解正则比较消耗性能的地方是“回溯”,所以减少回溯越少,增加性能。还可以减少捕获,提升性能。

通过工具能够看到每次匹配过程中回溯的次数。

//匹配的字符串
<script>123456</script>
//回溯9次
<script>.+<\/script>
//回溯5次
<script>.+?<\/script>
//回溯7次,不捕获
<script>(?:(?!<\/script>).)+<\/script>
<script>.+<\/script> <script>.+?<\/script> <script>(?:(?!<\/script>).)+<\/script>

 

 

工具RegexBuddy下载:

http://download.csdn.net/download/loneleaf1/9809385

 

参考资料:

正则指引

正则匹配可以又快又简单(一)

正则表达式匹配也可以简单快速(上:原理部分)

Regular Expression Matching Can Be Simple And Fast

探索Ruby正则表达式算法(译)

正则表达式引擎及其分类

JS正则表达式一条龙讲解

进阶正则表达式

PHP正则表达式的效率:回溯与固化分组

正则表达式 回溯

深入入门正则表达式(java) - 匹配原理 - 1 - 引擎分类与普适原则

 


本文转自 咖啡机(K.F.J) 博客园博客,原文链接:  http://www.cnblogs.com/strick/p/6688866.html ,如需转载请自行联系原作者

相关文章
|
7月前
|
前端开发 JavaScript 数据安全/隐私保护
关于正则表达式,小黄人有话要说!!!
本文将带你逐步学习正则表达式的基础知识和高级技巧,从基本的元字符到实用的正则表达式示例,让你轻松掌握这一重要的编程技能。无论你是初学者还是有一定经验的开发者,这篇文章都能帮助你更好地理解和应用正则表达式。
69 0
关于正则表达式,小黄人有话要说!!!
|
8月前
|
数据采集 自然语言处理 前端开发
再见正则表达式!这次彻底告别手写!
这篇文章的目的是让你能得到完美的正则表达式,而且还不用自己拼。 说到正则表达式,一直是令我头疼的问题,这家伙一般时候用不到,等用到的时候发现它的规则是一点儿也记不住,\d表示一个数字,\s表示包括下划线在内的任意单词字符,也就是 [A-Za-z0-9_],还有[\s\S]*可以匹配包括换行在内的任意字符串。
|
9月前
|
运维 Linux 程序员
网友来稿:何为正则?一正则天下,一文带你看尽精华。
网友来稿:何为正则?一正则天下,一文带你看尽精华。
|
自然语言处理 测试技术 程序员
秒懂正则匹配,领略正则魅力
秒懂正则匹配,领略正则魅力
147 0
秒懂正则匹配,领略正则魅力
|
前端开发 数据安全/隐私保护
一篇不大靠谱的常用正则表达式汇总(前端)
正则这东西吧,感觉是开发的都会接触到一些.. 那些所谓的基础语法就不说了哈,一搜一大把,来点实际的. 我这里就分享下我工作中汇总和遇到的,希望对一些小伙伴有些许帮助哈!!
105 0
|
存储 缓存 移动开发
|
JavaScript 前端开发 索引
【重温基础】9.正则表达式
【重温基础】9.正则表达式
129 0
|
前端开发 JavaScript 索引
前端培训-初级阶段(13) - 正则表达式
前端最基础的就是 HTML+CSS+Javascript。掌握了这三门技术就算入门,但也仅仅是入门,现在前端开发的定义已经远远不止这些。前端小课堂(HTML/CSS/JS),本着提升技术水平,打牢基础知识的中心思想,我们开课啦(每周四)。 该文为前端培训-初级阶段(13、18)的补充内容 (介绍了 ECMAScript 历史,ES6 常用点)。 本文介绍ECMAScript基础知识。 前端培训-初级阶段(13) - ECMAScript (语法、变量、值、类型、运算符、语句) 前端培训-初级阶段(13) - ECMAScript (内置对象、函数) 前端培训-初级阶段(13) - 类、模,继承
93 0
前端培训-初级阶段(13) - 正则表达式
|
数据采集 Python
正则表达式很难吗?其实也就那样!
正则表达式很难吗?其实也就那样!
221 0
正则表达式很难吗?其实也就那样!
|
索引 JavaScript 数据安全/隐私保护
教科书式的正则匹配
正则在js中是一类比较特殊的对象,它可以匹配各个场景需要的格式验证,例如邮箱、手机号、用户登录名、密码等等,似乎无处不在,在常见的字符串检索或替换中,我们需要提供一种模式表示检索或替换的规则,来匹配一系列符合某个句法规则的字符串。
922 0