正则表达式

关注公众号 jb51net

关闭
首页 > 网络编程 > 正则表达式 > 正则平衡组

.NET正则基础之平衡组

作者:过客

平衡组是微软在.NET中提出的一个概念,主要是结合几种正则语法规则,提供对配对出现的嵌套结构的匹配,.NET是目前对正则支持最完备、功能最强大的语言平台之一,而平衡组正是其强大功能的外在表现,也是比较实用的文本处理功能

1、概述

平衡组是微软在.NET中提出的一个概念,主要是结合几种正则语法规则,提供对配对出现的嵌套结构的匹配。.NET是目前对正则支持最完备、功能最强大的语言平台之一,而平衡组正是其强大功能的外在表现,也是比较实用的文本处理功能,目前只有.NET支持,相信后续其它语言会提供支持。

平衡组可以有狭义和广义两种定义,狭义平衡组指.NET中定义的(?<Close-Open>Expression)语法,广义平衡组并不是固定的语法规则,而是几种语法规则的综合运用,我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明,平衡组这种简写指的是广义平衡组。

正是由于平衡组功能的强大,所以带来了一些神秘色彩,其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。

2、平衡组匹配原理

2.1 预备知识

平衡组通常是由量词,分支结构,命名捕获组,狭义平衡组,条件判断结构组成的,量词和分支结构这里不做介绍,这里只对命名捕获组,狭义平衡组和条件判断结构做下说明。

2.1.1命名捕获组

语法:(?<name>Expression)  

 (?’name’Expression)

以上两种写法在.NET中是等价的,都是将“Expression”子表达式匹配到的内容,保存到以“name”命名的组里,以供后续引用。

对于命名捕获组的应用,这里不做重点介绍,只是需要澄清一点,平时使用捕获组时,一般反向引用或Group对象使用得比较多,可能会有一种误解,那就是捕获组只保留一个匹配结果,即使一个捕获组可以先后匹配多个子串,也只保留最后一个匹配到的子串。但事实是这样吗?

举例来说:

源字符串:abcdefghijkl

正则表达式:(?<chars>[a-z]{2})+

命名捕获组chars最终捕获的是什么?

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
      richTextBox2.Text += "匹配结果:" + m.Value + "\n";
      richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "\n";
}
/*--------输出--------
匹配结果:abcdefghijkl
Group:kl
*/

从m.Groups["chars"].Value的输出上看,似乎确实是只保留了一个匹配内容,但却忽略了一个事实,Group实际上是Capture的一个集合

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
     richTextBox2.Text += "匹配结果:" + m.Value + "\n";
     richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "\n--------------\n";
     foreach (Capture c in m.Groups["chars"].Captures)
     {
           richTextBox2.Text += "Capture:" + c + "\n";
     }
}
/*--------输出--------
匹配结果:abcdefghijkl
Group:kl
--------------
Capture:ab
Capture:cd
Capture:ef
Capture:gh
Capture:ij
Capture:kl
*/

平时应用时可能会忽略这一点,因为很少遇到一个捕获组先后匹配多个子串的情况,而在一个捕获组只匹配一个子串时,Group集合中就只有一个Capture元素,所以内容是一样的。

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})");
Match m = reg.Match(test);
if (m.Success)
{
     richTextBox2.Text += "匹配结果:" + m.Value + "\n";
     richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "\n--------------\n";
     foreach (Capture c in m.Groups["chars"].Captures)
     {
          richTextBox2.Text += "Capture:" + c + "\n";
     }
}
/*--------输出--------
匹配结果:ab
Group:ab
--------------
Capture:ab
*/

捕获组保存的是一个集合,而不只是一个元素,这一知识点对于理解平衡组的匹配原理是有帮助的。

2.1.2狭义平衡组

语法:(?<Close-Open>Expression)

其中“Close”是命名捕获组的组名,也就是“(?<name>Expression)”中的“name”,可以省略,通常应用时并不关注,所以一般都是省略的,写作“(?<-Open>Expression)”。作用就是当此处的“Expression”子表达式匹配成功时,则将最近匹配成功到的命名为“Open”组出栈,如果此前不存在匹配成功的“Open”组,那么就报告“(?<-Open>Expression)”匹配失败,整个表达式在这一位置也是匹配失败的。

2.1.3条件判断结构

语法:(?(Expression)yes|no)

      (?(name)yes|no)

对于“(?(Expression)yes|no)”,它是“(?(?=Expression)yes|no)”的简写形式,相当于三元运算符

(?=Expression) ? yes : no

表示如果子表达式“(?=Expression)”匹配成功,则匹配“yes”子表达式,否则匹配“no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同,为避免混淆,可以采用“(?(?=Expression)yes|no)”方式显示声明“Expression”为子表达式,而不是捕获组名。

“(?=Expression)”验证当前位置右侧是否能够匹配“Expression”,属于顺序环视结构,是零宽度的,所以它只参与判断,即使匹配成功,也不会占有字符。

举例来说:

源字符串:abc

正则表达式:(?(?=a)\w{2}|\w)

当前位置右侧如果是字符“a” ,则匹配两个“\w”,否则匹配一个“\w”。

string test = "abc";
Regex reg = new Regex(@"(?(?=a)\w{2}|\w)");
MatchCollection mc = reg.Matches(test);
foreach(Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
ab
c
*/

对于“(?(name)yes|no)”,如果命名捕获组“name”有捕获,则匹配“yes”子表达式,否则匹配“no”子表达式。这一语法最典型的一种应用是平衡组。

当然,以上两种语法中,“yes”和“no都是可以省略的,但同一时间只能省略一个,不能一起省略。平衡组的应用中就是省略了“no”子表达式。

2.2平衡组的匹配原理

平衡组的匹配原理可以用堆栈来解释,先举个例子,再根据例子进行解释。

源字符串:a+(b*(c+d))/e+f-(g/(h-i))*j

正则表达式:)|[^()])*(?(Open)(?!))\)

需求说明:匹配成对出现的()中的内容

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg = new Regex(@")|[^()])*(?(Open)(?!))\)");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

下面来考察一下这个正则,为了阅读方便,写成宽松模式。

Regex reg = new Regex(@"\(                          #普通字符“(”
                            (                       #分组构造,用来限定量词“*”修饰范围
                                (?<Open>\()         #命名捕获组,遇到开括弧'Open'计数加1
                            |                       #分支结构
                                (?<-Open>\))        #狭义平衡组,遇到闭括弧'Open'计数减1
                            |                       #分支结构
                                [^()]+              #非括弧的其它任意字符
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'Open',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                     ", RegexOptions.IgnorePatternWhitespace);

对于一个嵌套结构而言,开始和结束标记都是确定的,对于本例开始为“(”,结束为“)”,那么接下来就是考察中间的结构,中间的字符可以划分为三类,一类是“(”,一类是“)”,其余的就是除这两个字符以外的任意字符。

那么平衡组的匹配原理就是这样的:

1.先找到第一个“(”,作为匹配的开始

2.在第1步以后,每匹配到一个“(”,就入栈一个Open捕获组,计数加1

3.在第1步以后,每匹配到一个“)”,就出栈最近入栈的Open捕获组,计数减1

4.后面的(?(Open)(?!))用来保证堆栈中Open捕获组计数是否为0,也就是“(”和“)”是配对出现的

5.最后的“)”,作为匹配的结束

匹配过程(以下匹配过程,如果觉得难以理解,可以暂时跳过,先学会如何使用,再研究为什么可以这样用吧)

首先匹配第一个“(”,然后一直匹配,直到出现以下两种情况之一:

a)堆栈中Open计数已为0,此时再遇到“)”

b)匹配到字符串结束符

这时控制权交给(?(Open)(?!)),判断Open是否有匹配,由于此时计数为0,没有匹配,那么就匹配“no”分支,由于这个条件判断结构中没有“no”分支,所以什么都不做,把控制权交给接下来的“\)”

如果上面遇到的是情况a),那么此时“\)”可以匹配接下来的“\)”,匹配成功;如果上面遇到的是情况b),那么此时会进行回溯,直到“\)”匹配成功为止,否则报告整个表达式匹配失败。

由于.NET中的狭义平衡组“(?<Close-Open>Expression)”结构,可以动态的对堆栈中捕获组进行计数,匹配到一个开始标记,入栈,计数加1,匹配到一个结束标记,出栈,计数减1,最后再判断堆栈中是否还有Open,有则说明开始和结束标记不配对出现,不匹配,进行回溯或报告匹配失败;如果没有,则说明开始和结束标记配对出现,继续进行后面子表达式的匹配。

需要对“(?!)”进行一下说明,它属于顺序否定环视,完整的语法是“(?!Expression)”。由于这里的“Expression”不存在,表示这里不是一个位置,所以试图尝试匹配总是失败的,作用就是在Open不配对出现时,报告匹配失败。

3、平衡组的应用及优化

平衡组提供了嵌套结构的匹配功能,这一创新是很让人兴奋的,因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大,自然也带来了实现的复杂,正则书写得不好,可能会存在效率陷阱,甚至导致程序崩溃,这里介绍一些基本的优化方法。

3.1单字符嵌套结构平衡组优化

单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构,这种嵌套相对来说比较简单,优化起来也比较容易。先从上面提到的例子开始。

3.1.1贪婪与非贪婪模式

上面给的例子是一种做了部分优化的常规写法,算作是版本1吧,它做了哪些优化呢,先来看下完全没有做过优化的版本0吧。

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg0 = new Regex(@"\(                          #普通字符“(”
                            (                       #分组构造,用来限定量词“*”修饰范围
                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                (?<-Open>\))        #狭义平衡组,遇到闭括弧Open计数减1
                            |                       #分支结构
                                .                   #任意字符
                            )*?                     #以上子串出现0次或任意多次,非贪婪模式
                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                       ", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg0.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

接下来对比一下版本1。

Regex reg1 = new Regex(@"\(                          #普通字符“(”
                            (                       #分组构造,用来限定量词“*”修饰范围
                                (?<Open>\()         #命名捕获组,遇到开括弧'Open'计数加1
                            |                       #分支结构
                                (?<-Open>\))        #狭义平衡组,遇到闭括弧'Open'计数减1
                            |                       #分支结构
                                [^()]+              #非括弧的其它任意字符
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'Open',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                     ", RegexOptions.IgnorePatternWhitespace);

看到区别了吗?版本1对版本0的改进主要有两个地方,一个是用“[^()]+”来代替“.”,另一个是用“*”来代替“*?”,也就是用贪婪模式来代替非贪婪模式。

如果使用了小数点“.”,那么为什么不能在分组内使用“.+”,后面又为什么不能用“*”呢?只要在上面的正则中使用并运行一下代码就可以知道了,匹配的结果是

(b*(c+d))/e+f-(g/(h-i))

而不是

(b*(c+d))

(g/(h-i))

因为无论是分组内使用“.+”还是后面使用“*”,都是贪婪模式,所以小数点会一直匹配下去,直到匹配到字符串的结束符才会停止,然后进行回溯匹配。为了取得正确结果,必须使用非贪婪模式“*?”。

这就类似于用“”去匹配“(abc)def(ghi)”一样,得到的结果是“(abc)def(ghi)”,而不是通常我们希望的“(abc)”和“(ghi)”。这时要用非贪婪模式“”来得到正确的结果。

贪婪模式和非贪婪模式在匹配失败时,回溯的次数基本上是一样的,效率上没有多大区别,但是在匹配成功时,贪婪模式比非贪婪模式回溯的次数要少得多,效率要高得多。

对于“”如果既要得到正确的匹配结果,又要提高匹配效率,可以使用排除型捕获组+贪婪模式的方式,即“”。

版本0的平衡组也是一样,可以使用排除字符组“[^()]+”和贪婪模式“*”结合的方式,提高匹配效率,得到的就是版本1的平衡组。

相对于版本0,或许你会认为版本1的写法是很自然的,但是如果不了解这样一个演进过程,那么在字符序列嵌套结构平衡组优化时,就不会是那么自然的一件事了。

3.1.2  分支结构

接下来就是分支结构的优化。

语法:(Exp1|Exp2|Exp3)

因为分支结构的匹配规则是,从左向右尝试匹配,当左侧分支匹配成功时,就不再向右尝试。所以使用分支结构时,可以根据以下两条规则进行优化:

1.尽量抽象出每个分支中的公共的部分,使最后的表达式中,每个分支共公部分尽可能的少,比如(this|that)的匹配效率是没有th(is|at)高的。

2. 在不影响匹配结果的情况下,把出现概率高的分支放在左侧,出现概率低的分支放右侧。

对于本例中的分支结构,已经没有公共部分,符合第一条规则,再看下第二条规则,开始标记“(”和结束标记“)”出现的概率基本上是一样的,而除“(”和“)”之外的字符出现的概率是比“(”和“)”出现的概率高的,所以应该把“[^()]+”分支放在左侧。

版本1由于采用了排除型捕获组,所以这三个分支没有包含关系,左右顺序对结果不会造成影响,可以调整顺序。因为这是已经经过优化的了,而如果是版本0,由“.”对“(”和“)”有包含关系,就不能调整顺序了。

在版本1基础上对分支结构进行优化后,就得到版本2。

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg2 = new Regex(@"\(                          #普通字符“(”
                            (                       #分组构造,用来限定量词“*”修饰范围
                                [^()]+              #非括弧的其它任意字符
                            |                       #分支结构
                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                (?<-Open>\))        #狭义平衡组,遇到闭括弧Open计数减1
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                       ", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg2.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

3.1.3  捕获组

这里面主要涉及到了两个捕获组“(?<Open>\()”和“(?<-Open>\))”,而在平衡组的应用中,我是只关心它是否匹配了,而对于匹配到的内容是不关心的。对于这样一种需求,可以用以下方式实现

\( (?<Open>)

\)(?<-Open>)

“(?<Open>)”和“(?<-Open>)”这两种方式只是使用了命名捕获组,捕获的是一个位置,它总是能够匹配成功的,而匹配的内容是空的,分配的内存空间是固定的,可以有效的节省资源,这在单字符嵌套结构中并不明显,但是在字符序列嵌套结构中就比较明显了。

由于捕获组是直接跟在开始或结束标记之后的,所以只要开始或结束标记匹配成功,命名捕获组自然就会匹配成功,对于功能是没有任何影响的。

那么把标记和捕获组调整一下顺序是否可以呢?从功能上来讲,是可以的,但是匹配的流程上会有所不同,先是捕获组匹配成功,入栈,然后再匹配标记,成功则继续匹配,不成功则该分支匹配失败,进行回溯,出栈,继续尝试下一分支。这样将增加许多入栈和出栈的操作,对匹配效率是有影响的,所以这种方式并不可取。

在版本2基础上对捕获组进行优化后,就得到版本3。

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg3 = new Regex(@"\(                          #普通字符“(”
                            (                       #分组构造,用来限定量词“*”修饰范围
                                [^()]+              #非括弧的其它任意字符
                            |                       #分支结构
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                       ", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg3.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

3.1.4 固化分组

看到有些人使用平衡组时用到了固化分组,但并不是所有人都明白固化分组的作用。

语法:(?>Expression)

用“”去匹配“(abc)”是可以匹配成功的,因为不用回溯,相对于“”这种非贪婪模式,效率上有所提升,但是对于匹配失败的情况又如何呢?

源字符串:(abc

正则表达式:

匹配中间过程这里不再详述,可以参考NFA引擎匹配原理。

当“[^()]+”匹配到结束位置时,控制权交给“\)”,匹配失败,进行回溯,而由于前面使用了“[^()]+”这种排除型字符组,所以可供回溯的位置,不会存在可以匹配“\)”的情况,这时候的回溯是完全没有意义的,只会浪费时间,但是由于传统NFA引擎的特点,必须回溯所有可能之后才会报告匹配失败。

这时可以用固化分组来进行优化,一旦占有字符,就不再释放。也就是一旦占有,就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。

优化后的正则表达式:

需要说明的一点,固化分组要作用于量词修饰的子表达式才有意义,对于“(?>abc)”由于内容是固定的,根本就不会产生回溯,所以使用固化分组是没有意义的。

对于平衡组的应用也是一样,如果分组构造中没有量词,那么使用固化分组就是没有意义的,比如版本0

Regex reg = new Regex(@")|.)*?(?(Open)(?!))\)");

这种场景下使用固化分组就是没有意义的。

在版本3基础上对捕获组进行优化后,就得到版本4。

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg4 = new Regex(@"\(                          #普通字符“(”
                            (?>                     #分组构造,用来限定量词“*”修饰范围
                                [^()]+              #非括弧的其它任意字符
                            |                       #分支结构
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                       ", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg4.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

那么对于分组构造外层的“*”修饰的子表达式是否可以使用固化分组呢?答案是否定的,因为平衡组通常是要进行回溯才能最终匹配成功的,所以如果使用固化分组,不记录回溯可能的话,将无法得到正确结果。

3.1.5  进一步优化讨论

那么现在是不是已经完成优化了呢?是的,通常可以这么认为。在一般应用当中,这已经是从正则层面上来说,最优方案了。

但是在有些场景下,由于Compiled模式可以有效提高分支结构的匹配效率,所以对于源字符串比较复杂的情况,牺牲一些编译时间和内存,还是可以有效提高匹配效率的。

Regex reg5 = new Regex(@"\(                         #普通字符“(”
                            (?>                     #分组构造,用来限定量词“*”修饰范围
                                [^()]+              #非括弧的其它任意字符
                            |                       #分支结构
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1
                            )*                      #以上子串出现0次或任意多次
                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                        \)                          #普通闭括弧
                       ", RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled);
MatchCollection mc = reg5.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
(b*(c+d))
(g/(h-i))
*/

并不是所有应用场景都适合使用Compiled模式,比如上面这个例子里的源字符串如果是“a+(b*(c+d))/e+f-(g/(h-i))*j”,本身是非常简单的,使用Compiled模式将是得不偿失的。什么时候使用,要根据具体问题具体分析。

3.2 字符序列嵌套结构平衡组应用

字符序列嵌套结构的匹配,典型的应用就是html标签的提取。由于上面详细说明了单字符嵌套结构的优化过程,这里主要讲应用场景,个别涉及到优化的地方再讨论。

字符序列嵌套结构的匹配,举例来说,取div标签。源字符串如下:

<div id="0">
    0
</div>
<div id="1">
    1
    <div id="2">
        2
</div>
</div>

3.2.1提取最外层嵌套结构

提取最外层div标签,分析过程及构造方式与单字符嵌套结构差不多,只是捕获组等内容稍稍复杂点,先给出实现,再进行解释。

string test = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?isx)                      #匹配模式,忽略大小写,“.”匹配任意字符
                      <div[^>]*>                      #开始标记“<div...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符
                          )*                          #以上子串出现0次或任意多次
                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                      </div>                          #结束标记“</div>”
                      ");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
    0
</div>
--------------------
<div id="1">
    1
    <div id="2">
        2
    </div>
</div>
--------------------
*/

在单字符嵌套结构中,使用排除型字符组“[^()]+”,与分组构造外的匹配优先量词“*” 达到贪婪模式匹配效果。在字符序列嵌套结构中,要排除的是一个子串,而不是简单的几个无序字符,所以不能使用排除型字符组,此时需要用到顺序否定环视来达到这一目的。“(?:(?!</?div\b).)*”表示的是所在位置右侧不是“<div…>”或“</div>”的字符,这样的字符重复0次或任意多次。关于环视的细节,可以参考 正则基础之——环视。

而由于这种否定环视包含两种状态,所以在与固化分组结合使用时,会与后面的开始或结束标记形成包含关系,所以与固化分组一起使用时,不能放在左侧,只能放在右侧。

3.2.2  根据id提取div嵌套标签

根据id提取div时,改变的只是最外层div的结构,对内分组构造内部结构没有影响。但是因为id是变化的,所以正则需要动态生成。下面给出实现,源字符串和输出结果由于比较影响篇幅,就不再给出了。

string id = Regex.Escape(textBox1.Text);                    //动态获取id
Regex reg = new Regex(@"(?isx)
                      <div(?:(?!(?:id=|</?div\b)).)*id=(['""]?)" + id  + @"\1[^>]*>        #开始标记“<div...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符
                          )*                          #以上子串出现0次或任意多次
                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                      </div>                          #结束标记“</div>”
                     ");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n--------------------\n";
}

在动态生成正则表达式时,由于输入的字符串中可能存在正则中有特殊意义的元字符,如果不进行转义的话,正则解析时会抛出异常。所以用Regex.Escape(string str)来对动态输入的字符串进行转义处理,确保不会因动态输入的内容而抛异常。比如上面的例子,如果id不进行转义处理时,输入“abc(def”就会抛“) 不足”这样的异常。

3.2.3 根据id提取任意嵌套标签

再扩展一下,根据id属性取任意嵌套标签。实现如下,具体实现细节和讨论参考 就是通过id获得一个html标签块。以下正则相对于帖子对个别细节做了调整。

string html = @"
<html>
<body>
<div id=""div1"">
    <div id=""div2"" style=""background:Red;"">
        <div id=""div3"">
            <table id=""table1"">
                <tr>
                    <td>
                        <div id=""div4"" style=""width:100px""></div>
                    </td>
                </tr>
            </table>
        </div>
    </div>
    <div id=div5>
        <a href=""http://www.csdn.net"">csdn</a>
    </div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" };
string pattern = @"<([a-z]+)(?:(?!\bid\b)[^<>])*id=([""']?){0}\2[^>]*>(?><\1[^>]*>(?<o>)|</\1>(?<-o>)|(?:(?!</?\1).)*)*(?(o)(?!))</\1>";
foreach (string id in idList)
{
     Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(id)),
                    RegexOptions.Singleline | RegexOptions.IgnoreCase);
     Console.WriteLine("--------begin {0}--------", id);
     if (match.Success)
          Console.WriteLine(match.Value);
     else
          Console.WriteLine("o(╯□╰)o");
     Console.WriteLine("--------end {0}--------", id);
}
Console.ReadLine();

3.2.4 根据标签取外层嵌套结构

根据动态输入的tag,取相应的最外层的嵌套标签,实现如下。

string html = @"
<html>
<body>
<div id=""div1"">
    <div id=""div2"" style=""background:Red;"">
        <div id=""div3"">
            <table id=""table1"">
                <tr>
                    <td>
                        <div id=""div4"" style=""width:100px""></div>
                    </td>
                </tr>
            </table>
        </div>
    </div>
    <div id=div5>
        <a href=""http://www.csdn.net"">csdn</a>
    </div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] tagList = { "html", "body", "div", "table", "abc(def" };
string pattern = @"(?isx)
                      <({0})\b[^>]*>                  #开始标记“<tag...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <\1[^>]*>  (?<Open>)    #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </\1>  (?<-Open>)       #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?\1\b).)*       #右侧不为开始或结束标记的任意字符
                          )*                          #以上子串出现0次或任意多次
                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配
                      </\1>                           #结束标记“</tag>”
                     ";
foreach (string tag in tagList)
{
     Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)));
     Console.WriteLine("--------begin {0}--------", tag);
     if (match.Success)
         Console.WriteLine(match.Value);
     else
         Console.WriteLine("o(╯□╰)o");
    Console.WriteLine("--------end {0}--------", tag);
}
Console.ReadLine();

3.2.5 条件判断结构扩展应用

条件判断结构的作用不只限于验证开始和结束标记是否配对,根据需求的不同,还可以有其它一些应用。比如在匹配div标签时,只取内部“存在”嵌套的外层标签。

string test = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?isx)                              #匹配模式,忽略大小写,“.”匹配任意字符
                      <div[^>]*>                              #开始标记“<div...>”
                          (?>                                 #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)(?<Mask>)  #遇到开始标记,入栈,Open和Mask计数各加1
                          |                                   #分支结构
                              </div>  (?<-Open>)              #遇到结束标记,出栈,Open计数减1
                          |                                   #分支结构
                              (?:(?!</?div\b).)*              #右侧不为开始或结束标记的任意字符
                          )*                                  #以上子串出现0次或任意多次
                          (?(Open)(?!))(?(Mask)|(?!))         #'OPEN'保证标记配对,'Mask'保证内部有嵌套
                      </div>                                  #结束标记“</div>”
                      ");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="1">
    1
    <div id="2">
        2
    </div>
</div>
--------------------
*/

命名捕获组“(?<Mask>)”只入栈不出栈,如果内部有嵌套,则“(?<Mask>)”一定有匹配,此时匹配“(?(Mask)yes|no)”中的“yes”子表达式,也就是什么都不做;如果内部没有嵌套,则“(?<Mask>)”没有匹配,此时匹配“(?(Mask)yes|no)”中的“no”子表达式,也就是报告匹配失败。这里省略的是“(?(Mask)yes|no)”中的“yes”子表达式。

对于匹配内部没有嵌套的标签,也就是最内层标签,可以使用上面的正则表达式,将“(?(Mask)yes|no)”中的“yes”子表达式设为“(?!)”,将“yes”子表达式省略。不过这样做有些浪费,完全可以用顺序否定环视来实现这一需求。

string test = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?is)<div[^>]*>(?:(?!</?div\b).)*</div>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
      richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
    0
</div>
--------------------
<div id="2">
        2
    </div>
--------------------
*/

4、平衡组应用范围探讨

平衡组可以用来匹配嵌套结构,这是一个很大的创新,但是否就认为平衡组适合用来解决任何嵌套问题呢?事实当然不会是这样。

比如下面这个需求,(参考 请问一个正则表达式) :

源字符串:1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7

要求输出:

Sum(1,Sum(2, Sum(3), 4), 5)

Sum(2, Sum(3), 4)

Sum(3)

Sum(9,Sum(8, Sum(7), 6), 5)

Sum(8, Sum(7), 6)

Sum(7)

这种需求使用平衡组+递归的方式可以实现,实现代码如下:

//递归方法
private void getNesting(string src, Regex reg, List<string> list)
{
    MatchCollection mc = reg.Matches(src);
    foreach(Match m in mc)
    {
        list.Add(m.Value);
        src = m.Value.Remove(m.Value.Length-1, 1);
        if (reg.IsMatch(src))
        {
             getNesting(src, reg, list);
        }
    }
}
//调用
string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7";
List<string> list = new List<string>();
Regex reg = new Regex(@"(?i)Sum(?<-o>))*(?(o)(?!))\)", RegexOptions.Compiled);
getNesting(test, reg, list);
foreach (string s in list)
{
     richTextBox2.Text += s + "\n";
}

平衡组虽然可以实现要求,但除非你对效率没有要求,否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的,在实现过程中做了很多额外的尝试。效率上自然要大打折扣。

类似这样的需求,可以自己写有穷自动机来实现,毕竟正则也只不过是一种有穷自动机的实现而已。

            string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 ";
            StringBuilder nesting = new StringBuilder(64);
            List<StringBuilder> list = new List<StringBuilder>();
            List<string> groups = new List<string>();
            int level = 0;
            int state = 0;
            foreach (char c in test)
            {
                if ((c == 'S' || c == 's') && state == 0)
                {
                    state = 1;
                    nesting.Append(c);
                }
                else if ((c == 'U' || c == 'u') && state == 1)
                {
                    state = 2;
                    nesting.Append(c);
                }
                else if ((c == 'M' || c == 'm') && state == 2)
                {
                    state = 3;
                    nesting.Append(c);
                }
                else if (c == '(' && state == 3)
                {
                    state = 0;
                    level++;
                }
                else
                {
                    state = 0;
                    nesting = new StringBuilder(64);
                }
                if (c == ')')
                {
                    if (level > 0)
                    {
                        level--;
                        groups.Add(list[level].ToString() + c);
                        list.Remove(list[level]);
                    }
                }
                if (level > 0)
                {
                    while(list.Count < level)
                    {
                        list.Add(nesting);
                    }
                    for (int i = 0; i < level; i++)
                    {
                        list[i].Append(c);
                    }
                }
            }
            foreach (string s in groups)
            {
                Console.WriteLine(s);
            }
            Console.ReadLine();

5、其它声明

到此为止,平衡组的基本应用场景和性能调优都已讨论完了,本文对于平衡组匹配原理讲得相对比较少,以应用场景分析为主。主要是因为能够使用平衡组来解决问题的人,通常已经对正则的基本语法有了一定程度的理解。而如果事实确实如此,那么对于平衡组的理解,也是水到渠成的了。

以上正则实现中,采用的多是宽松排列模式,主要是为了加注释,使得阅读清晰。而宽松排列模式通常用于教学目的,实际使用过程中,如果不是为了可读性的考虑,可以去掉这些注释和宽松排列模式参数。

上面给出了很多平衡组的应用,这里需要说明的是,我提供的只是一些方法和思路,从来不推荐把正则当作模板来用,虽然有些时候,它确实可以当作模板来用,但我还是希望你能真正的掌握这些语法规则之后,再去应用平衡组。当然,如果你认为能用就行,不需要知道为什么可以这样用,只是把它当作模板来套,我也无话可说。

到此这篇关于.NET正则基础之平衡组的文章就介绍到这了,更多相关正则平衡组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!

阅读全文