正则表达式之:零宽断言不『消费』
想理解零宽断言只需要记住一句口诀:零宽断言只『占位』,不『消费』。
没错,零宽断言就是个去麦当劳写作业的小学生~
之所以想写这篇博客是因为昨天看了@玉伯也叫射雕 的最新博文:《正则表达式中的向后匹配》。在这篇文章中,他提到了零宽断言的相关知识,但最核心的知识点却没涉及,即:零宽断言的用法类似普通的正则子表达式(也叫做分组),但不『消费』字符串。
何为『消费』呢?先来看一道题:
设:有字符串
var s = 'aaalllsss0tAAAnnn999';
问:请找出所有在 3个连续相同字符 前的相邻 3个连续相同字符
(题目是有点绕口…主要是因为 JS 支持的正则太弱了,所以为了适应它,只好这样出题。)
答案:
目测是:aaa,lll,AAA,nnn。用 JS 完成的话:
var re2 = /(\w)\1{2}(?=(\w)\2{2})/g; // 用到了 *零宽度正预测先行断言* console.log(s.match(re2)); // 输出 => [ 'aaa','lll','AAA','nnn' ]
零宽度正预测先行断言这名字比较绕,忽略就好,理解了零宽断言之后,也没人去记住这些名字。
之所以要使用 零宽度正预测先行断言 来完成这题是因为字符串 s 中存在重叠的 3个连续相同字符,如果使用普通分组来做的话,就会不小心『消费』了那些字符而导致对他们的匹配被忽略。
–
不熟悉零宽断言的朋友,可能会使用如下的正则来完成这题:
var re1 = /((\w)\2{2})(\w)\3{2}/g;
这个正则输出的结果是:[‘aaa’,'AAA’],是不合我们预期的。
我们来看看用 re1 进行匹配时,re1 是如何『消费』我们的字符串 s 的:
var s = 'aaalllsss0tAAAnnn999'; var re1 = /((\w)\2{2})(\w)\3{2}/g; console.log("s is: " + s); console.log(); var res; while(res=re1.exec(s)) { console.log("match result: " + res[1] + ".","re1 comsumed: " + res[0],"re1.lastindex: " + re1.lastIndex,"remain string: " + s.slice(re1.lastIndex)); }
输出的结果是:
s is: aaalllsss0tAAAnnn999 re1 result: aaa. re1 comsumed: aaalll,re1.lastindex: 6,remain string: sss0tAAAnnn999 re1 result: AAA. re1 comsumed: AAAnnn,re1.lastindex: 17,remain string: 999
什么是 lastIndex 呢?在 JS 中,我们可以使用 RegExp#exec 对某个字符串进行多次匹配,为了多次匹配的结果不重复,RegExp 每匹配完一次后,就记录好下一次匹配的起始位置,这个位置就是 RegExp#lastIndex。
从上面输出结果我们可以看到,re1 在匹配到了 'aaa’ 后,它就『消费』了 'aaalll’ 这个字符串,到了索引 6 这个位置。
我们再来看看用 re2 进行匹配时,re2 是如何『消费』字符串的:
re2 result: aaa. re2 comsumed: aaa,re2.lastindex: 3,remain string: lllsss0tAAAnnn999 re2 result: lll. re2 comsumed: lll,re2.lastindex: 6,remain string: sss0tAAAnnn999 re2 result: AAA. re2 comsumed: AAA,re2.lastindex: 14,remain string: nnn999 re2 result: nnn. re2 comsumed: nnn,re2.lastindex: 17,242)"> 代码就不贴了,我们直接来看输出。由于零宽断言不『消费』字符串,所以当我们第一次匹配到了 'aaa’ 后,re2 的 lastIndex 是在 3 这个位置,在其后的匹配中,它从 3 开始,又到 6 暂停。
引入了『消费』的概念后,我相信是可以帮助大家更好理解零宽断言这个概念的,只是不知上面的栗子举得好不好。好了,let me 再介绍介绍零宽断言。零宽断言一共有四种,而且他们的名字一个比一个酷,不过关键是没有人能记得住(-_-||):
声明:以下内容引用自《正则表达式30分钟入门教程》,我谨代表大陆人民向原作者致以深深的谢意!
(?=exp)也叫零宽度正预测先行断言,它断言自身出现的位置的后面能匹配表达式exp。比如\b\w+(?=ing\b),匹配以ing结尾的单词的前面部分(除了ing以外的部分),如查找I’m singing while you’re dancing.时,它会匹配sing和danc。
(?<=exp)也叫零宽度正回顾后发断言,它断言自身出现的位置的前面能匹配表达式exp。比如(?<=\bre)\w+\b会匹配以re开头的单词的后半部分(除了re以外的部分),例如在查找reading a book时,它匹配ading。
零宽度负预测先行断言(?!exp),断言此位置的后面不能匹配表达式exp。例如:\d{3}(?!\d)匹配三位数字,而且这三位数字的后面不能是数字;\b((?!abc)\w)+\b匹配不包含连续字符串abc的单词。
同理,我们可以用(?<!exp),零宽度负回顾后发断言来断言此位置的前面不能匹配表达式exp:(?<![a-z])\d{7}匹配前面不是小写字母的七位数字。
那么有同学要问:什么时候使用普通正则分组?什么时候使用零宽断言呢?答:根据在下 Alsotang 本科三年编篡无数野代码的深厚经验来说,大部分时间使用普通正则分组;在上下文必要时,在你的队友也理解零宽断言时,才使用零宽断言。
好了,文章到此就结束了,再考大家一题。
问:有字符串
var web_development = "python PHP ruby javascript jsonp perhapsPHPisoutdated";,如何找出其中 包含 'p’ 但不包含 'ph’ 的所有单词?
答案:
# coffeescript web_development.split(' ').filter (s) -> (s.contains('p') and not s.contains('ph')) .join(' ')