正则表达式模式匹配

时间：2005-09-05 来源：honbj

关于正则表达式的一个问题

首先明确一下什么是匹配
匹配可以从两个方面来理解
1 一个正则表达式和一个字符串是否匹配
在perl中 =~ 代表捆绑也就是让正则表达式去匹配指定的字符串
如果如果用匹配的符号形式来表现对于 /regular/ =~ "string" 如果返回值为真则说/regular/ 匹配了"string"
2 一个正则表达式不只可以匹配一个字符串
例如 /a*b/ 不仅可以匹配aaaab 还可以匹配aaaaaab b 等
这里所谓的“匹配”也是指 /a*b/ =~ aaaab /a*b/ =~ b 返回值都是真
下面说说依次匹配
首先的一个问题是一个正则表达式的工作过程
举个例子

代码:

$data is 192.168.0.1
$data =~ /([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/;
$1 is 192.
$2 is 168.
$3 is 0.
$4 is 1
这里
/([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/ 匹配了192.168.0.1
同时在这个较长的正则表达式子是由几个短的正则表达式组成的,这些短的在()中的正则表达式称为模式,大家对$1,$2,$3,$4的值的输出都非常理解

下面再举一个例子

代码:

$data =~ /([0-9]*.)([0-9]*.)*([0-9])/;
$1 is 192.
$2 is 0.
$3 is 1

这里有观点解释到这里([0-9]*.) ([0-9]*.) *([0-9]) 红色部分"依次匹配" 了168. 0. 所以是0.
这并不是很好理解
有证:

3x3eyes 写到:

....匹配.168都还好理解所谓的依次匹配是什么意思，请各位帮忙

问题的关键是为什么这里的红色部分会去依次匹配168. 0.呢?regular 有这种依次匹配的机制吗它在什么情况下会这样做什么情况下不会这么做呢
下面我们通过一个例子来验证regular 会不会有这种依次匹配的机制

代码:

$data =~ /([0-9]*.)([0-9]*.)([0-9])/;
$1 is 192.
$2 is 168.
$3 is 0

这里红色部分并没有去依次匹配168. 0. 而是直接匹配了168.
为什么呢看来问题出现在* 上面
也就是当正则表达式是 $data =~ /([0-9]*.)([0-9]*.)*([0-9])/; 的时候红色部分依次匹配了168. 0. 并最终把最后匹配的0.存到了分组2中
当正则表达式是 $data =~ /([0-9]*.)([0-9]*.)([0-9])/; 的时候红色部分就不再依次匹配了?? 它就匹配168. 并把168存在分组2中这是什么道理？
正则表达式有一个引擎引擎的工作原理细节没有找到相应文档但是对于这种情况可以试着解释为

代码:

对于 $data =~ /([0-9]*.)([0-9]*.)([0-9])/;
这时候对于模式1 模式2 模式3 他们没有机会选择分别将各自匹配的 192. 168. 0 存在正则表达式的记忆体 1 2 3中
而对于 $data =~ /([0-9]*.)([0-9]*.)*([0-9])/;
对于模式1 从左到右搜索$data 匹配了192. 把它存在了记忆体 1中
对于模式2 从左到右搜索剩下的$data 部分匹配了 168. 并把它存在了记忆体2中
下面到了* 这里*代表前面模式的0次或多次出现虽然在功能上对于这个例子它等于([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/，但是它并不等价于正则表达式/([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/ 。这时候仍然是模式2 去从左到右搜索$data剩余的字符串0.1 结果匹配了0. 由于仍然是模式2去匹配，所以0. 仍然存在记忆体2中，冲掉了原来存在记忆体2中的内容下面([0-9]) 匹配了1 并把它存在了记忆体3中。

看到这里，可以试着总结出正则表达式的引擎搜索机制：

代码:

1 如果在正则表达式中有模式，那么每个模式从左到右搜索要匹配的字符串，如果匹配成功，则把匹配的字符串存到相对应的记忆体中。
2 如果正则表达式中有下一个模式，那么这个模式将继续从左到右搜索没有被匹配的字符串，重复前面的步骤1的过程，匹配成功则立即停止，并把匹配的字符串存到相应的记忆体中。
3 如果在2中的模式后面出现了数量符* + ? ，形如：(模式2)*，则匹配过程变为：模式2仍然按照步骤1的过程匹配，匹配成功则停止。但是由于这时候在模式2后面出现了数量符 * ，则仍然由模式2去匹配字符串中没有被匹配的的部分，如果这时候出现了可以匹配多个字符串的情况，那么作后一次匹配成功的字符串被存放到了模式2对应的记忆体中(注意：中间匹配成功的并不是没有存，而是被后面匹配成功的覆盖了)。

说到这里仿佛一切问题都得到了很好的解释
可是请看下面的例子

代码:

$data = 192.168.0.1
$data =~ /([0-9]*.)([0-9]*.)*([0-9]*.)([0-9]*.)([0-9])/
按照上面的结论，大家不妨猜测一下2的内容，也就是记忆体2中的值是什么
在没有看到答案之前，也许会有人猜测是0. 或者168.。
但是这里 2的值是空值，*在这里是“0个”。

由此可以得到：正则表达式并不是按照模式按照从左到右搜索，"一个正则表达式" 就是一段程序，一个正则表达式的匹配引擎机制应该是：尽量多的精确的去匹配目标字符串，至于它采取哪种策略实现这一过程，这也是在此抛砖引玉的目的所在。

附录：正则表达式语法

一个正则表达式就是由普通字符（例如字符 a 到 z）以及特殊字符（称为元字符）组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

将下一个字符标记为一个特殊字符、或一个原义字符、或一个后向引用、或一个八进制转义符。例如，'n' 匹配字符 "n"。' ' 匹配一个换行符。序列 '\' 匹配 "" 而 "(" 则匹配 "("。

^
匹配输入字符串的开始位置。

$
匹配输入字符串的结束位置。

*
匹配前面的子表达式零次或多次。例如，zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。

+
匹配前面的子表达式一次或多次。例如，'zo+' 能匹配 "zo" 以及 "zoo"，但不能匹配 "z"。+ 等价于 {1,}。

?
匹配前面的子表达式零次或一次。例如，"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。

{n}
n 是一个非负整数。匹配确定的 n 次。例如，'o{2}' 不能匹配 "Bob" 中的 'o'，但是能匹配 "food" 中的两个 o。

{n,}
n 是一个非负整数。至少匹配n 次。例如，'o{2,}' 不能匹配 "Bob" 中的 'o'，但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。

{n,m}
m 和 n 均为非负整数，其中n <= m。最少匹配 n 次且最多匹配 m 次。 "o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

?
当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时，匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如，对于字符串 "oooo"，'o+?' 将匹配单个 "o"，而 'o+' 将匹配所有 'o'。

.
匹配除 " " 之外的任何单个字符。要匹配包括 ' ' 在内的任何字符，请使用象 '[. ]' 的模式。

(pattern)
匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到，在VBScript 中使用 SubMatches 集合，在Visual Basic Scripting Edition 中则使用 $0…$9 属性。要匹配圆括号字符，请使用 '(' 或 ')'。

(?:pattern)
匹配 pattern 但不获取匹配结果，也就是说这是一个非获取匹配，不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如， 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。

(?=pattern)
正向预查，在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如， 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ，但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始。

(?!pattern)
负向预查，在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配，也就是说，该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows"，但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符，也就是说，在一个匹配发生后，在最后一次匹配之后立即开始下一次匹配的搜索，而不是从包含预查的字符之后开始

x|y
匹配 x 或 y。例如，'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。

[xyz]
字符集合。匹配所包含的任意一个字符。例如， '[abc]' 可以匹配 "plain" 中的 'a'。

[^xyz]
负值字符集合。匹配未包含的任意字符。例如， '[^abc]' 可以匹配 "plain" 中的'p'。

[a-z]
字符范围。匹配指定范围内的任意字符。例如，'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。

[^a-z]
负值字符范围。匹配任何不在指定范围内的任意字符。例如，'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。

匹配一个单词边界，也就是指单词和空格间的位置。例如， 'er' 可以匹配"never" 中的 'er'，但不能匹配 "verb" 中的 'er'。

B
匹配非单词边界。'erB' 能匹配 "verb" 中的 'er'，但不能匹配 "never" 中的 'er'。

cx
匹配由x指明的控制字符。例如， cM 匹配一个 Control-M 或回车符。 x 的值必须为 A-Z 或 a-z 之一。否则，将 c 视为一个原义的 'c' 字符。

d
匹配一个数字字符。等价于 [0-9]。

D
匹配一个非数字字符。等价于 [^0-9]。

f
匹配一个换页符。等价于 x0c 和 cL。

匹配一个换行符。等价于 x0a 和 cJ。

匹配一个回车符。等价于 x0d 和 cM。

s
匹配任何空白字符，包括空格、制表符、换页符等等。等价于 [ f v]。

S
匹配任何非空白字符。等价于 [^ f v]。

匹配一个制表符。等价于 x09 和 cI。

v
匹配一个垂直制表符。等价于 x0b 和 cK。

w
匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。

W
匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。

xn     匹配 n，其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如， 'x41' 匹配 "A"。'x041' 则等价于 'x04' & "1"。正则表达式中可以使用 ASCII 编码。.

um   匹配 num，其中 num 是一个正整数。对所获取的匹配的引用。例如，'(.)1' 匹配两个连续的相同字符。

      标识一个八进制转义值或一个后向引用。如果之前至少 n 个获取的子表达式，则 n 为后向引用。否则，如果 n 为八进制数字 (0-7)，则 n 为一个八进制转义值。

m    标识一个八进制转义值或一个后向引用。如果 m 之前至少有is preceded by at least nm 个获取得子表达式，则 nm 为后向引用。如果 m 之前至少有 n 个获取，则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足，若 n 和 m 均为八进制数字 (0-7)，则 m 将匹配八进制转义值 nm。

ml    如果 n 为八进制数字 (0-3)，且 m 和 l 均为八进制数字 (0-7)，则匹配八进制转义值 nml。

un     匹配 n，其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如， u00A9 匹配版权符号 (?)。