正则应用之逆序环视探索 .

2012-10-09 16:10:27 作者：过客

关于环视的一些基础讲解和基本匹配原理，在正则基础之——环视这篇博客里已有所介绍，只不过当时整理得比较匆忙，没有涉及更详细的匹配细节。这里仅针对逆序环视展开讨论

1、问题引出

前几天在CSDN论坛遇到这样一个问题。
我要通过正则分别取出下面 <font color="#008000"> 与 </font> 之间的字符串

1、在 <font color="#008000"> 与 </font> 之间的字符串是没法固定的，是随机自动生成的
2、其中 <font color="#008000"> 与 </font>的数量也是没法固定的，也是随机自动生成的

<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
<font color="#008000"> ** 这里是不固定的字符串3 ** </font>
有朋友给出这样的正则“(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)”，看下匹配结果。

string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
<font color="#008000"> ** 这里是不固定的字符串2 **
---------------
<font color="#008000"> ** 这里是不固定的字符串3 **
---------------
*/
为什么会是这样的结果，而不是我们期望的如下的结果呢？
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
** 这里是不固定的字符串2 **
---------------
** 这里是不固定的字符串3 **
---------------
*/

这涉及到逆序环视的匹配原理，以及贪婪与非贪婪模式应用的一些细节，下面先针对逆序环视的匹配细节展开讨论，然后再回过头来看下这个问题。

2、逆序环视匹配原理

关于环视的一些基础讲解和基本匹配原理，在正则基础之——环视这篇博客里已有所介绍，只不过当时整理得比较匆忙，没有涉及更详细的匹配细节。这里仅针对逆序环视展开讨论。
逆序环视的基础知识在上面博文中已介绍过，这里简单引用一下。

表达式	说明
(?<=Expression)	逆序肯定环视，表示所在位置左侧能够匹配Expression
(?<!Expression)	逆序否定环视，表示所在位置左侧不能匹配Expression

对于逆序肯定环视(?<=Expression)来说，当子表达式Expression匹配成功时，(?<=Expression)匹配成功，并报告(?<=Expression)匹配当前位置成功。

对于逆序否定环视(?<!Expression)来说，当子表达式Expression匹配成功时，(?<!Expression)匹配失败；当子表达式Expression匹配失败时，(?<!Expression)匹配成功，并报告(?<!Expression)匹配当前位置成功。

2.1 逆序环视匹配行为分析

2.1.1 逆序环视支持现状

目前支持逆序环视的语言还比较少，比如当前比较流行的脚本语言JavaScript中就是不支持逆序环视的。个人认为不支持逆序环视已成为目前JavaScript中使用正则的最大限制，一些使用逆序环视很轻松搞定的输入验证，却要通过各种变通的方式来实现。

需求：验证输入由字母、数字和下划线组成，下划线不能出现在开始或结束位置。

对于这样的需求，如果支持逆序环视，直接“^(?!_)[a-zA-Z0-9_]+(?<!_)$”就可以了搞定了，但是在JavaScript中，却需要用类似于“^[a-zA-Z0-9]([a-zA-Z0-9_]*[a-zA-Z0-9])?$”这种变通方式来实现。这只是一个简单的例子，实际的应用中，会比这复杂得多，而为了避免量词的嵌套带来的效率陷阱，正则实现起来很困难，甚至有些情况不得不拆分成多个正则来实现。

而另一些流行的语言，比如Java中，虽然支持逆序环视，但只支持固定长度的子表达式，量词也只支持“?”，其它不定长度的量词如“*”、“+” 、“{m,n}”等是不支持的。

源字符串：<div>a test</div>

需求：取得div标签的内容，不包括div标签本身

Java代码实现：

import java.util.regex.*;
String test = "<div>a test</div>";
String reg = "(?<=<div>)[^<]+(?=</div>)";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
/*--------输出--------
a test
*/

但是如果源字符串变一下，加个属性变成“<div id=”test1”>a test</div>”，那么除非标签中属性内容是固定的，否则就无法在Java中用逆序环视来实现了。

为什么在很多流行语言中，要么不支持逆序环视，要么只支持固定长度的子表式呢？先来分析一下逆序环视的匹配原理吧。

2.1.2 Java中逆序环视匹配原理分析

不支持逆序环视的自不必说，只支持固定长度子表达式的逆序环视如何呢。
源字符串：<div>a test</div>
正则表达式：(?<=<div>)[^<]+(?=</div>)

需要明确的一点，无论是什么样的正则表达式，都是要从字符串的位置0处开始尝试匹配的。
首先由“(?<=<div>)”取得控制权，由位置0开始尝匹配，由于“<div>”的长度固定为5，所以会从当前位置向左查找5个字符，但是由于此时位于位置0处，前面没有任何字符，所以尝试匹配失败。

正则引擎传动装置向右传动，由位置1处开始尝试匹配，同样匹配失败，直到位置5处，向左查找5个字符，满足条件，此时把控制权交给“(?<=<div>)”中的子表达式“<div>”。“<div>”取得控制权后，由位置0处开始向右尝试匹配，由于正则都是逐字符进行匹配的，所以这时会把控制权交给“<div>”中的“<”，由“<”尝试字符串中的“<”，匹配成功，接下来由“d”尝试字符串中的“d”，匹配成功，同样的过程，由“<div>”匹配位置0到位置5之间的“<div>”成功，此时“(?<=<div>)”匹配成功，匹配成功的位置是位置5。

后续的匹配过程请参考　正则基础之——环视　和　正则基础之——NFA引擎匹配原理。
那么对于量词“?”又是怎么样一种情况呢，看一下下面的例子。
源字符串：cba
正则表达式：(?<=(c?b))a

String test = "cba";
String reg = "(?<=(c?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------输出--------
a
b
*/

可以看到，“c?”并没有参与匹配，在这里，“?”并不具备贪婪模式的作用，“?”只提供了一个分支的作用，共记录了两个分支，一个分支需要从当前位置向前查找一个字符，另一个分支需要从当前位置向前查找两个字符。正则引擎从当前位置，尝试这两种情况，优先尝试的是需要向前查找较少字符的分支，匹配成功，则不再尝试另一个分支，只有这一分支匹配失败时，才会去尝试另一个分支。

String test = "dcba";
String reg = "(?<=(dc?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------输出--------
a
dcb
*/

虽然有两个分支，但向前查找的字符数可预知的，所以只支持“?”时并不复杂，但如果再支持其它不定长度量词，情况又如何呢？

2.1.3 .NET中逆序环视匹配原理

.NET的逆序环视中，是支持不定长度量词的，在这个时候，匹配过程就变得复杂了。先看一下定长的是如何匹配的。

string test = "<div>a test</div>";
Regex reg = new Regex(@"(?<=<div>)[^<]+(?=</div>)");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
a test
*/

从结果可以看到，.NET中的逆序环视在子表达式长度固定时，匹配行为与Java中应该是一样的。那么不定长量词又如何呢？

string test = "cba";
Regex reg = new Regex(@"(?<=(c?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
cb
*/

可以看到，这里的“?”具备了贪婪模式的特性。那么这个时候是否会有这样的疑问，它的匹配过程仍然是从当前位置向左尝试，还是从字符串开始位置向右尝试匹配呢？

string test = "<ddd<cccba";
Regex reg = new Regex(@"(?<=(<.*?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
<cccb
*/

从结果可看出，在逆序环视中有不定量词的时候，仍然是从当前位置，向左尝试匹配的，否则Groups[1]的内容就是“<ddd<cccb”，而不是“<cccb”了。
这是非贪婪模式的匹配情况，再看一下贪婪模式匹配的情况。

string test = "e<ddd<cccba";
Regex reg = new Regex(@"(?<=(<.*b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
<ddd<cccb
*/

可以看到，采用贪婪模式以后，虽然尝试到“c”前面的“<”时已经可以匹配成功，但由于是贪婪模式，还是要继续尝试匹配的。直到尝试到开始位置，取最长的成功匹配作为匹配结果。

2.2 匹配过程

再来理一下逆序环视的匹配过程吧。
源字符串：<div id=“test1”>a test</div>
正则表达式：(?<=<div[^>]*>)[^<]+(?=</div>)

首先由“(?<=<div[^>]*>)”取得控制权，由位置0开始尝匹配，由于“<div[^>]*>”的长度不固定，所以会从当前位置向左逐字符查找，当然，也有可能正则引擎做了优化，先计算一下最小长度后向前查找，在这里“<div[^>]*>”至少需要5个字符，所以由当前位置向左查找5个字符，才开始尝试匹配，这要看各语言的正则引擎如何实现了，我推测是先计算最小长度。但是由于此时位于位置0处，前面没有任何字符，所以尝试匹配失败。

正则引擎传动装置向右传动，由位置1处开始尝试匹配，同样匹配失败，直到位置5处，向左查找5个字符，满足条件，此时把控制权交给“(?<=<div[^>]*>)”中的子表达式“<div[^>]*>”。“<div[^>]*>”取得控制权后，由位置0处开始向右尝试匹配，由于正则都是逐字符进行匹配的，所以这时会把控制权交给“<div[^>]*>”中的“<”，由“<”尝试字符串中的“<”，匹配成功，接下来由“d”尝试字符串中的“d”，匹配成功，同样的过程，由“<div[^>]*”匹配位置0到位置5之间的“<div ”成功，其中“[^>]*”在匹配“<div ”中的空格时是要记录可供回溯的状态的，此时控制权交给“>”，由于已没有任何字符可供匹配，所以“>”匹配失败，此时进行回溯，由“[^>]*”让出已匹配的空格给“>”进行匹配，同样匹配失败，此时已没有可供回溯的状态，所以这一轮匹配尝试失败。

正则引擎传动装置向右传动，由位置6处开始尝试匹配，同样匹配失败，直到位置16处，此时的当前位置指的就是位置16，把控制权交给“(?<=<div[^>]*>)”，向左查找5个字符，满足条件，记录回溯状态，控制权交给“(?<=<div[^>]*>)”中的子表达式“<div[^>]*>”。“<div[^>]*>”取得控制权后，由位置11处开始向右尝试匹配， “<div[^>]*>”中的“<”尝试字符串中的“s”，匹配失败。继续向左尝试，在位置10处由“<”尝试字符串中的“e”，匹配失败。同样的过程，直到尝试到位置0处，由“<div[^>]*”在位置0向右尝试匹配，成功匹配到“<div id=“test1”>”，此时“(?<=<div[^>]*>)”匹配成功，控制权交给“[^>]+”，继续进行下面的匹配，直到整个表达式匹配成功。

总结正则表达式“(?<=SubExp1) SubExp2”的匹配过程：

1、由位置0处向右尝试匹配，直到找到一个满足“(?<=SubExp1) ”最小长度要求的位置x；
2、从位置x处向左查找满足“SubExp1”最小长度要求的位置y；
3、由“SubExp1”从位置y开始向右尝试匹配；
4、如果“SubExp1”为固定长度或非贪婪模式，则找到一个成功匹配项即停止尝试匹配；
5、如果“SubExp1”为贪婪模式，则要尝试所有的可能，取最长的成功匹配项作为匹配结果。
6、 “(?<=SubExp1) ”成功匹配后，控制权交给后面的子表达式，继续尝试匹配。

需要说明的一点，逆序环视中的子表达式“SubExp1”，匹配成功时，匹配开始的位置是不可预知的，但匹配结束的位置一定是位置x。

3、问题分析与总结

3.1 问题分析

那么再回过头来看下最初的问题。

string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
<font color="#008000"> ** 这里是不固定的字符串2 **
---------------
<font color="#008000"> ** 这里是不固定的字符串3 **
---------------
*/

其实真正让人费解的是这里的逆序环视的匹配结果，为了更好的说明问题，改下正则。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>

<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=(<font[\s\S]*?>))([\s\S]*?)(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮成功匹配结果：\n";
richTextBox2.Text += "Group[0]：" + m.Value + "\n";
richTextBox2.Text += "Group[1]：" + m.Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮成功匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮成功匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
---------------
第3轮成功匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
---------------

对于第一轮成功匹配结果应该不存在什么疑问，这里不做解释。
第一轮成功匹配结束的位置是第一个“</font>”前的位置，第二轮成功匹配尝试就是从这一位置开始。
首先由“(?<=<font[\s\S]*?>)”取得控制权，向左查找6个字符后开始尝试匹配，由于“<”会匹配失败，所以会一直尝试到位置0处，这时“<font”是可以匹配成功的，但是由于“<font[\s\S]*?>”要匹配成功，匹配的结束位置必须是第一个“</font>”前的位置，所以“>”是匹配失败的，这一位置整个表达式匹配失败。
正则引擎传动装置向右传动，直到第一个“</font>”后的位置，“<font[\s\S]*?>”匹配成功，匹配开始位置是位置0，匹配结束位置是第一个“</font>”后的位置，“<font[\s\S]*?>”匹配到的内容是“<font color="#008000"> ** 这里是不固定的字符串1 ** </font>”，其中“[\s\S]*?”匹配到的内容是“color="#008000"> ** 这里是不固定的字符串1 ** </font”，后面的子表达式继续匹配，直到第二轮匹配成功。
接下来的第三轮成功匹配，匹配过程与第二轮基本相同，只不过由于使用的是非贪婪模式，所以“<font[\s\S]*?>”在匹配到“<font color="#008000"> ** 这里是不固定的字符串2 ** </font>”时匹配成功，就结束匹配，不再向左尝试匹配了。
接下来看下贪婪模式的匹配结果。

string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=(<font[\s\S]*>))([\s\S]*?)(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮成功匹配结果：\n";
richTextBox2.Text += "Group[0]：" + m.Value + "\n";
richTextBox2.Text += "Group[1]：" + m.Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
---------------
第3轮匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
---------------
仅仅是一个字符的差别，整个表达式的匹配结果没有变化，但匹配过程差别却是很大的。
那么如果想得到下面这种结果要如何做呢？
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
** 这里是不固定的字符串2 **
---------------
** 这里是不固定的字符串3 **
---------------
*/

把量词修饰的子表达式的匹配范围缩小就可以了。

string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?is)(?<=(<font[^>]*>))(?:(?!</?font\b).)*(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮匹配结果：\n";
richTextBox2.Text += "Group[0]：" + mc[i].Value + "\n";
richTextBox2.Text += "Group[1]：" + mc[i].Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮匹配结果：
Group[0]： ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000">
---------------
第3轮匹配结果：
Group[0]： ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000">
---------------
*/

3.2 逆序环视应用总结

通过对逆序环视的分析，可以看出，逆序环视中使用不定长度的量词，匹配过程很复杂，代价也是很大的，这也许也是目前绝大多数语言不支持逆序环视，或是不支持在逆序环视中使用不定长度量词的原因吧。

在正则应用中需要注意的几点：

1、不要轻易在逆序环视中使用不定长度的量词，除非确实需要；
2、在任何场景下，不只是逆序环视中，不要轻易使用量词修饰匹配范围非常大的子表达式，小数点“.”和“[\s\S]”之类的，使用时尤其要注意。

到此这篇关于正则应用之逆序环视探索 .的文章就介绍到这了,更多相关逆序环视内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

正则应用之 逆序环视探索 .