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(' ')