正则指引之量词

前端之家收集整理的这篇文章主要介绍了正则指引之量词前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

一般形式

假如我们要验证邮政编码:201203,100858,所以用正则表达式来表示就是 \d\d\d\d\d\d,只有同时满足“长度是6个字符”和“每个字符都是数字”两个条件,匹配才成功。虽然这不难理解,但 \d 重复6次,读写都不方便。为此,正则表达式提供了量词(quantifier)。那么上面的例子就可以简写为 \d{6},它使用阿拉伯数字,更简洁也更直观。

//使用量词减化字符组
Stringtext="510850";
Patternp=Pattern.compile("\\d{6}");
Matcherm=p.matcher(text);
System.out.println(m.matches());//true

量词还可以表示不确定的长度,其通用形式是{m,n},其中m和n是两个数字(有些人习惯在代码中的逗号之后添加空格,这样更好看,但是量词中的逗号之后绝不能有空格),它限定之前的元素能够出现的次数m是下限,n是上限(均为闭区间)。比如 \d{4,6},就表示这个数字字符串的长度最短是4个字符,最长是6个字符。如果不确定长度的上限,也可以省略,只指定下限,写成 \d{n,},比如 \d{4,}表示“数字字符串的长度必须在4个字符以上”。

量词
说明
{n}
之前的元素必须出现n次
之前的元素最少出现m次,最多出现n次
之前的元素最少出现m次,出现次数无上限
{0,n}
之前的元素可以不出现,也可以出现,最多出现n次

常用量词

{m,n}是通用形式的量词,正则表达式还有三个常用量词,分别是 +?* 。它们的形态虽然不同于{m,n},功能却是相同的(也可以把它们理解为“量词简记法”),具体说明如下:

常用量词
{m,n}等价形式

{0,}
可能出现,也可能不出现,出现次数没有上限

{1,}
至少出现1次,出现次数没有上限

{0,1}
至多出现一次,也可能不出现

在实际应用中,在很多情况下只需要表示这三种意思,所以常用量词的使用频率要高于{m,n}。

点号

前一节讲到了各种字符组,与它相关的还有一个特殊的元字符:点号(.)。一般文档都说,点号可以匹配“任意字符”,点号确实可以匹配“任意字符”,常见的数字,字母,各种符号都可以匹配,但有一个字符不能由点号匹配,就是换行符 \n。这个字符平时看不见,却存在,而且在处理时并不能忽略。

如果非要匹配“任意字符”,有两种办法:可以指定使用单行匹配模式,在这种模式下,点号可以匹配换行符;或者使用上一节介绍“自制”通配字符组 [\s\S] (也可以使用 [\d\D][\w\W]),正好涵盖了所有字符。示例:

//换行符的匹配
Stringtext="\n";
Patternp=Pattern.compile("[\\d\\D]");
Matcherm=p.matcher(text);
System.out.println(m.matches());//true
Patternp1=Pattern.compile(".");
Matcherm1=p1.matcher(text);
System.out.println(m1.matches());//false

滥用点号的问题

因为点号能匹配几乎所有的字符,所以实际应用中许多人图省事,随意使用 .* 或 .+ ,结果却事与愿违,下面以双引号字符串为例来说明。我们一般使用表达式 ”[^"]*" 匹配双引号字符串,而“图省事” 的做法是 “.*” 。通常这么用是没有问题的,但也可能有意外

用“.*”匹配双引号字符串,不但可以匹配正常的双引号字符串“quoted string”,还可以匹配格式错误的字符串 "quoted string" and another" 。这是为什么呢?原因涉及正则表达式的匹配原理

在正则表达式 “.*” 中,点号可以匹配任何字符,*表示可以匹配的字符串长度没有限制,所以 .* 在匹配过程结束以前,每遇到一个字符(除去无法匹配的 \n),.*都可以匹配,但是遇到第一个 " 时,到底是匹配这个字符还是忽略它,还是将其交给之后的 " 来匹配呢?

答案是,具体选择取决于所使用的量词。在正则表达式中的量词分为几类,之前介绍的量词都可以归到一类,叫做匹配优先量词(贪婪量词)。匹配优先量词,顾名思义,就是在拿不准是否要匹配的时候,优先尝试匹配,并且记下这个状态,以备将来“反悔”。

来看表达式“.*”对字符串“quoted string”的匹配过程。一开始, “ 匹配 “ ,然后轮到字符q,.*可以匹配它,也可以不匹配,因为使用了匹配优先量词,所以.*先匹配q,并且记录下这个状态「q也可能是.*不应该匹配的」;接下来是字符u,.*可以匹配它,也可以不匹配,因为使用了匹配优先量词,所以.*先匹配u,并且记录下这个状态『u也可能是.*不应该匹配的』; .......现在轮到了字符g,.*可以匹配它,也可以不匹配,因为使用了匹配优先量词,所以 .*先匹配g,并且记录下这个状态『g也可能是.*不应该匹配的』。最后是末尾的",.*可以匹配它,也可以不匹配,因为使用了匹配优先量词,所以.*先匹配 “,并且记录下这个状态『'也可能是.*不应该匹配的』。这时候,字符串之后已经没有字符了,但正则表达式中还有 ” 没有匹配,所以只能查询之前保存备用的状态,看看能不能退回几步,照顾 " 的匹配。查询到最近保存的状态是:「"也可能是.*不应该匹配的」。于是让.* 反悔对 " 的匹配,把 " 交给 “ ,测试发现正好能匹配,所以整个匹配宣告成功。这个反悔的过程,专业术语叫做回溯(backtracking)。

忽略优先量词

比如,用一个正则表达式匹配下面这段HTML源代码

<scripttype="text/javascript">
alert("somepunctuation<>/");
</script>

开头和结尾的tag都容易匹配,中间的代码要比较麻烦,因为点号. 不能匹配换行符,所以必须使用[\s\S],[\d\D]或者[\w\W]。

<scripttype="text/javascript">[\s\S]*</script>

这个表达式确实可以匹配上面的Javascript代码。但是如果遇到更复杂的情况就会出错,比如针对下面这段HTML代码

<scripttype="text/javascript">
alert("1");
</script>
<br/>
<scripttype="text/javascript">
alert("2");
</script>

如果用上面的表达式来匹配这段HTML代码,会一次性匹配两段Javascript代码,甚至包含之间的非Javascript代码按照匹配原理,[\s\S]*先匹配所有的文本,回溯时交还最后的</script>,整个表达式的匹配就成功了,逻辑就是如此,无可改进。而且,这个问题也不能模仿之前双引号字符串匹配,用[^"]*区配<script...>和</script>之间的代码,因为排除型字符组只能排除单个字符,[^</script>]不能表示“不是</script>的字符串”。

换个角度来看,通过改变[\s\S]*的匹配策略解决问题在不确定是否要匹配的场合,先尝试不匹配的选择,测试正则表达式中后面的元素,如果失败,再退回来尝试 [\s\S]* 匹配,如此就没有问题了。循着这个思路,正则表达式中还提供了忽略优先量词(lazy quantifier 或 reluctant quantifier,也就有翻译为懒惰量词),如果不确定是否要匹配,忽略优先量词会选择“不匹配”的状态,再尝试表达式中之后的元素,如果尝试失败,再回溯,选择之前保存的“匹配”的状态。

对[\s\S]*来说,把*改为*?就是使用了忽略优先量词,*?限定的元素出现次数范围与*完全一样,都表示“可能出现,也可能不出现,出现次数没有上限”。区别在于,在实际匹配过程中,遇到[\s\S]能匹配的字符,先尝试“忽略”,如果后面的元素(具体到这个表达式中,是</script>)不能匹配,再尝试匹配,这样就保证了结果的正确性,示例如下:

//忽略优先量词
Stringtext="<scripttype=\"text/javascript\">"+
"alert(\"1\")"+
"</script>"+
"<br/>"+
"<scripttype=\"text/javascript\">"+
"alert(\"2\")"+
"</script>";
Patternp=Pattern.compile("<scripttype=\"text/javascript\">[\\s\\S]*?</script>");
Matcherm=p.matcher(text);
while(m.find()){
System.out.println(m.group());
}

表:匹配优先量词与忽略优先量词

匹配优先量词
忽略优先量词
限定次数
*
*?
可能不出现,也可能出现,出现次数没有上限
+
+?
至少出现1次,出现次数没有上限
?
??
至多出现1次,也可能不出现
出现次数最少为m次,最多为n次
出现次数最少为m次,没有上限
可能不出现,也可能出现,最多出现n次

从上表可以看到,匹配优先量词与忽略优先量词逐一对应,只是在对应的匹配优先量词之后添加?,两者限定的元素能出现的次数也一样,遇到不能匹配的情况同样需要回溯; 唯一的区别在于,忽略优先量词会优先选择“忽略”,而匹配优先量词会优先选择“匹配”

转义

前面讲解了匹配优先量词和忽略优先量词,现在介绍量词的转义。在正则表达式中,*,+,?等作为量词的字符具有特殊意义,但有些情况下只希望表示这些字符本身,此时就必须使用转义,也就是在它们之前添加反斜线 \

对常用量词所使用的字符+,*,? 来说,如果希望表示这三个字符本身,直接添加反斜线,变为 \+,\*,\? 即可。但是在一般形式的量词{m,n}中,虽然具有特殊含义的字符不止一个,转义时却只需要给第一个 { 添加反斜线即可,也就是说,如果希望匹配字符串{m,n},正则表达式必须写成 \{m,n} 。

另外值得一提的是忽略优先量词的转义,虽然忽略优先量词也包含不只一个字符,但是在转义时却不像一般形式的量词那样,只转义第一个字符即可,而需要将两个量词全部转义。举例来说,如果要匹配字符串 *?,正则表达式就必须写作 \*\? ,而不是 \*? ,因为后者的意思是“*这个字符可能出现,也可能不出现”。各种量词的转义如下:

转义形式
{n}
\{n}
\{m,n}
\{0,0);">*
\*
\+
\?
*?
\*\?
+?
\+\?
??
\?\?

之前还介绍了点号 . ,所以还必须讲解点号的转义:点号(.)是一个元字符,它可以匹配除换行符之外的任何字符,所以如果只想匹配点号本身,必须将它转义为 \. 。因为未转义的点号可以匹配任何字符,其中也可以包含点号,所以经常有人忽略了对点号的转义。

原文链接:https://www.f2er.com/regex/360829.html

猜你在找的正则表达式相关文章