1 ?????? ? 問題引出
前幾天在 CSDN 論壇遇到這樣一個問題。
我要通過正則分別取出下面 <font color="#008000"> 與 </font> 之間的字符串
1 、在 <font color="#008000"> 與 </font> 之間的字符串是沒法固定的，是隨機自動生成的
2 、其中 <font color="#008000"> 與 </font> 的數量也是沒法固定的，也是隨機自動生成的
<font color="#008000"> ** 這里是不固定的字符串 1 ** </font>
<font color="#008000"> ** 這里是不固定的字符串 2 ** </font>
<font color="#008000"> ** 這里是不固定的字符串 3 ** </font>
有朋友給出這樣的正則“ (?<=<font[/s/S]*?>)([/s/S]*?)(?=</font>) ”，看下匹配結果。
string test = @"<font color=""#008000""> ** 這里是不固定的字符串 1 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 2 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 3 ** </font> " ;
MatchCollection mc = Regex .Matches(test, @"(?<=<font[/s/S]*?>)([/s/S]*?)(?=</font>)" );
foreach ( Match m in mc)
{
???? richTextBox2.Text += m.Value + "/n---------------/n" ;
}
/*-------- 輸出 --------
** 這里是不固定的字符串 1 **
---------------
?
<font color="#008000"> ** 這里是不固定的字符串 2 **
---------------
?
<font color="#008000"> ** 這里是不固定的字符串 3 **
---------------
*/
為什么會是這樣的結果，而不是我們期望的如下的結果呢？
/*-------- 輸出 --------
** 這里是不固定的字符串 1 **
---------------
? ** 這里是不固定的字符串 2 **
---------------
? ** 這里是不固定的字符串 3 **
---------------
*/
這涉及到逆序環視的匹配原理，以及貪婪與非貪婪模式應用的一些細節，下面先針對逆序環視的匹配細節展開討論，然后再回過頭來看下這個問題。
2 ?????? ? 逆序環視匹配原理
關于環視的一些基礎講解和基本匹配原理，在 正則基礎之 —— 環視 這篇博客里已有所介紹，只不過當時整理得比較匆忙，沒有涉及更詳細的匹配細節。這里僅針對逆序環視展開討論。
逆序環視的基礎知識在上面博文中已介紹過，這里簡單引用一下。
?
|
表達式 |
說明 |
|
(?<=Expression) |
逆序肯定環視，表示所在位置左側能夠匹配 Expression |
|
(?<!Expression) |
逆序否定環視，表示所在位置左側不能匹配 Expression |
?
對于逆序肯定環視 (?<=Expression) 來說，當子表達式 Expression 匹配成功時， (?<=Expression) 匹配成功，并報告 (?<=Expression) 匹配當前位置成功。
對于逆序否定環視 (?<!Expression) 來說，當子表達式 Expression 匹配成功時， (?<!Expression) 匹配失敗；當子表達式 Expression 匹配失敗時， (?<!Expression) 匹配成功，并報告 (?<!Expression) 匹配當前位置成功。
2.1 ???? 逆序環視匹配行為分析
2.1.1 ? 逆序環視支持現狀
目前支持逆序環視的語言還比較少，比如當前比較流行的腳本語言 JavaScript 中就是不支持逆序環視的。個人認為不支持逆序環視已成為目前 JavaScript 中使用正則的最大限制，一些使用逆序環視很輕松搞定的輸入驗證，卻要通過各種變通的方式來實現。
需求：驗證輸入由字母、數字和下劃線組成，下劃線不能出現在開始或結束位置。
對于這樣的需求，如果支持逆序環視，直接“ ^(?!_)[a-zA-Z0-9_]+(?<!_)$ ”就可以了搞定了，但是在 JavaScript 中，卻需要用類似于“ ^[a-zA-Z0-9]([a-zA-Z0-9_]*[a-zA-Z0-9])?$ ”這種變通方式來實現。這只是一個簡單的例子，實際的應用中，會比這復雜得多，而為了避免量詞的嵌套帶來的效率陷阱，正則實現起來很困難，甚至有些情況不得不拆分成多個正則來實現。
而另一些流行的語言，比如 Java 中，雖然支持逆序環視，但只支持固定長度的子表達式，量詞也只支持“ ? ”，其它不定長度的量詞如“ * ”、“ + ” 、“ {m,n} ”等是不支持的。
源字符串： <div>a test</div>
需求：取得 div 標簽的內容，不包括 div 標簽本身
Java 代碼實現：
import java.util.regex.*;
?
String test = "<div>a test</div>" ;
String reg = "(?<=<div>)[^<]+(?=</div>)" ;
Matcher m = Pattern. compile (reg).matcher(test);
while (m.find())
{
System. out .println(m.group());
}
/*-------- 輸出 --------
a test
*/
但是如果源字符串變一下，加個屬性變成“ <div id=”test1”>a test</div> ”，那么除非標簽中屬性內容是固定的，否則就無法在 Java 中用逆序環視來實現了。
為什么在很多流行語言中，要么不支持逆序環視，要么只支持固定長度的子表式呢？先來分析一下逆序環視的匹配原理吧。
2.1.2 ? Java 中逆序環視匹配原理分析
不支持逆序環視的自不必說，只支持固定長度子表達式的逆序環視如何呢。
源字符串： <div>a test</div>
正則表達式： (?<=<div>)[^<]+(?=</div>)
?
?
需要明確的一點，無論是什么樣的正則表達式，都是要從字符串的位置 0 處開始嘗試匹配的。
首先由“ (?<=<div>) ”取得控制權，由位置 0 開始嘗匹配，由于“ <div> ”的長度固定為 5 ，所以會從當前位置向左查找 5 個字符，但是由于此時位于位置 0 處，前面沒有任何字符，所以嘗試匹配失敗。
正則引擎傳動裝置向右傳動，由位置 1 處開始嘗試匹配，同樣匹配失敗，直到位置 5 處，向左查找 5 個字符，滿足條件，此時把控制權交給“ (?<=<div>) ”中的子表達式“ <div> ”。“ <div> ”取得控制權后，由位置 0 處開始向右嘗試匹配，由于正則都是逐字符進行匹配的，所以這時會把控制權交給“ <div> ”中的“ < ”，由“ < ”嘗試字符串中的“ < ”，匹配成功，接下來由“ d ”嘗試字符串中的“ d ”，匹配成功，同樣的過程，由“ <div> ”匹配位置 0 到位置 5 之間的“ <div> ”成功，此時“ (?<=<div>) ”匹配成功，匹配成功的位置是位置 5 。
后續的匹配過程請參考 正則基礎之 —— 環視 和 正則基礎之 ——NFA 引擎匹配原理 。
那么對于量詞“ ? ”又是怎么樣一種情況呢，看一下下面的例子。
源字符串： cba
正則表達式： (?<=(c?b))a
String test = "cba" ;
String reg = "(?<=(c?b))a" ;
Matcher m = Pattern. compile (reg).matcher(test);
while (m.find())
{
System. out .println(m.group());
System. out .println(m.group(1));
}
/*-------- 輸出 --------
a
b
*/
可以看到，“ c? ”并沒有參與匹配，在這里，“ ? ”并不具備貪婪模式的作用，“ ? ”只提供了一個分支的作用，共記錄了兩個分支，一個分支需要從當前位置向前查找一個字符，另一個分支需要從當前位置向前查找兩個字符。正則引擎從當前位置，嘗試這兩種情況，優先嘗試的是需要向前查找較少字符的分支，匹配成功，則不再嘗試另一個分支，只有這一分支匹配失敗時，才會去嘗試另一個分支。
String test = "dcba" ;
String reg = "(?<=(dc?b))a" ;
Matcher m = Pattern. compile (reg).matcher(test);
while (m.find())
{
System. out .println(m.group());
System. out .println(m.group(1));
}
/*-------- 輸出 --------
a
dcb
*/
雖然有兩個分支，但向前查找的字符數可預知的，所以只支持“ ? ”時并不復雜，但如果再支持其它不定長度量詞，情況又如何呢？
2.1.3 ? .NET 中逆序環視匹配原理
.NET 的逆序環視中，是支持不定長度量詞的，在這個時候，匹配過程就變得復雜了。先看一下定長的是如何匹配的。
string test = "<div>a test</div>" ;
Regex reg = new Regex ( @"(?<=<div>)[^<]+(?=</div>)" );
Match m = reg.Match(test);
if (m.Success)
{
???? richTextBox2.Text += m.Value + "/n" ;
}
/*-------- 輸出 --------
a test
*/
從結果可以看到， .NET 中的逆序環視在子表達式長度固定時，匹配行為與 Java 中應該是一樣的。那么不定長量詞又如何呢？
string test = "cba" ;
Regex reg = new Regex ( @"(?<=(c?b))a" );
Match m = reg.Match(test);
if (m.Success)
{
????? richTextBox2.Text += m.Value + "/n" ;
????? richTextBox2.Text += m.Groups[1].Value + "/n" ;
}
/*-------- 輸出 --------
a
cb
*/
可以看到，這里的“ ? ”具備了貪婪模式的特性。那么這個時候是否會有這樣的疑問，它的匹配過程仍然是從當前位置向左嘗試，還是從字符串開始位置向右嘗試匹配呢？
string test = "<ddd<cccba" ;
Regex reg = new Regex ( @"(?<=(<.*?b))a" );
Match m = reg.Match(test);
if (m.Success)
{
???? richTextBox2.Text += m.Value + "/n" ;
???? richTextBox2.Text += m.Groups[1].Value + "/n" ;
}
/*-------- 輸出 --------
a
<cccb
*/
從結果可看出，在逆序環視中有不定量詞的時候，仍然是從當前位置，向左嘗試匹配的，否則 Groups[1] 的內容就是“ <ddd<cccb ”，而不是“ <cccb ”了。
這是非貪婪模式的匹配情況，再看一下貪婪模式匹配的情況。
string test = "e<ddd<cccba" ;
Regex reg = new Regex ( @"(?<=(<.*b))a" );
Match m = reg.Match(test);
if (m.Success)
{
???? richTextBox2.Text += m.Value + "/n" ;
???? richTextBox2.Text += m.Groups[1].Value + "/n" ;
}
/*-------- 輸出 --------
a
<ddd<cccb
*/
可以看到，采用貪婪模式以后，雖然嘗試到“ c ”前面的“ < ”時已經可以匹配成功，但由于是貪婪模式，還是要繼續嘗試匹配的。直到嘗試到開始位置，取最長的成功匹配作為匹配結果。
2.2 ???? 匹配過程
再來理一下逆序環視的匹配過程吧。
源字符串： <div id=“test1”> a test </div>
正則表達式： (?<=<div[^>]*>) [^<]+ (?=</div>)
?
?
首先由“ (?<=<div[^>]*>) ”取得控制權，由位置 0 開始嘗匹配，由于“ <div[^>]*> ”的長度不固定，所以會從當前位置向左逐字符查找，當然，也有可能正則引擎做了優化，先計算一下最小長度后向前查找，在這里“ <div[^>]*> ”至少需要 5 個字符，所以由當前位置向左查找 5 個字符，才開始嘗試匹配，這要看各語言的正則引擎如何實現了，我推測是先計算最小長度。但是由于此時位于位置 0 處，前面沒有任何字符，所以嘗試匹配失敗。
正則引擎傳動裝置向右傳動，由位置 1 處開始嘗試匹配，同樣匹配失敗，直到位置 5 處，向左查找 5 個字符，滿足條件，此時把控制權交給“ (?<=<div[^>]*>) ”中的子表達式“ <div[^>]*> ”。“ <div[^>]*> ”取得控制權后，由位置 0 處開始向右嘗試匹配，由于正則都是逐字符進行匹配的，所以這時會把控制權交給“ <div[^>]*> ”中的“ < ”，由“ < ”嘗試字符串中的“ < ”，匹配成功，接下來由“ d ”嘗試字符串中的“ d ”，匹配成功，同樣的過程，由“ <div[^>]* ”匹配位置 0 到位置 5 之間的“ <div ”成功，其中“ [^>]* ”在匹配“ <div ”中的空格時是要記錄可供回溯的狀態的，此時控制權交給“ > ”，由于已沒有任何字符可供匹配，所以“ > ”匹配失敗，此時進行回溯，由“ [^>]* ”讓出已匹配的空格給“ > ”進行匹配，同樣匹配失敗，此時已沒有可供回溯的狀態，所以這一輪匹配嘗試失敗。
正則引擎傳動裝置向右傳動，由位置 6 處開始嘗試匹配，同樣匹配失敗，直到位置 16 處，此時的當前位置指的就是位置 16 ，把控制權交給“ (?<=<div[^>]*>) ”，向左查找 5 個字符，滿足條件，記錄回溯狀態，控制權交給“ (?<=<div[^>]*>) ”中的子表達式“ <div[^>]*> ”。“ <div[^>]*> ”取得控制權后，由位置 11 處開始向右嘗試匹配， “ <div[^>]*> ”中的“ < ”嘗試字符串中的“ s ”，匹配失敗。繼續向左嘗試，在位置 10 處由“ < ”嘗試字符串中的“ e ”，匹配失敗。同樣的過程，直到嘗試到位置 0 處，由“ <div[^>]* ”在位置 0 向右嘗試匹配，成功匹配到“ <div id=“test1”> ”，此時“ (?<=<div[^>]*>) ”匹配成功，控制權交給“ [^>]+ ”，繼續進行下面的匹配，直到整個表達式匹配成功。
總結正則表達式“ (?<=SubExp1) SubExp2 ”的匹配過程：
1、 ? 由位置 0 處向右嘗試匹配，直到找到一個滿足“ (?<=SubExp1) ”最小長度要求的位置 x ；
2、 ? 從位置 x 處向左查找滿足“ SubExp1 ”最小長度要求的位置 y ；
3、 ? 由“ SubExp1 ”從位置 y 開始向右嘗試匹配；
4、 ? 如果“ SubExp1 ”為固定長度或非貪婪模式，則找到一個成功匹配項即停止嘗試匹配；
5、 ? 如果“ SubExp1 ”為貪婪模式，則要嘗試所有的可能，取最長的成功匹配項作為匹配結果。
6、 ? “ (?<=SubExp1) ”成功匹配后，控制權交給后面的子表達式，繼續嘗試匹配。
需要說明的一點，逆序環視中的子表達式“ SubExp1 ”，匹配成功時，匹配開始的位置是不可預知的，但匹配結束的位置一定是位置 x 。
3 ?????? 問題分析與總結
3.1 ???? 問題分析
那么再回過頭來看下最初的問題。
string test = @"<font color=""#008000""> ** 這里是不固定的字符串 1 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 2 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 3 ** </font> " ;
MatchCollection mc = Regex .Matches(test, @"(?<=<font[/s/S]*?>)([/s/S]*?)(?=</font>)" );
foreach ( Match m in mc)
{
???? richTextBox2.Text += m.Value + "/n---------------/n" ;
}
/*-------- 輸出 --------
** 這里是不固定的字符串 1 **
---------------
?
<font color="#008000"> ** 這里是不固定的字符串 2 **
---------------
?
<font color="#008000"> ** 這里是不固定的字符串 3 **
---------------
*/
其實真正讓人費解的是這里的逆序環視的匹配結果，為了更好的說明問題，改下正則。
string test = @"<font color=""#008000""> ** 這里是不固定的字符串 1 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 2 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 3 ** </font> " ;
MatchCollection mc = Regex .Matches(test, @"(?<=(<font[/s/S]*?>))([/s/S]*?)(?=</font>)" );
for ( int i=0;i<mc.Count;i++)
{
richTextBox2.Text += " 第 " + (i+1) + " 輪成功匹配結果： /n" ;
richTextBox2.Text += "Group[0] ： " + m.Value + "/n" ;
richTextBox2.Text += "Group[1] ： " + m.Groups[1].Value + "/n---------------/n" ;
}
/*-------- 輸出 --------
第1輪成功匹配結果：
Group[0]： ** 這里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2輪成功匹配結果：
Group[0]：
<font color="#008000"> ** 這里是不固定的字符串2 **
Group[1]：<font color="#008000"> ** 這里是不固定的字符串1 ** </font>
---------------
第3輪成功匹配結果：
Group[0]：
<font color="#008000"> ** 這里是不固定的字符串3 **
Group[1]：<font color="#008000"> ** 這里是不固定的字符串2 ** </font>
---------------
*/
對于第一輪成功匹配結果應該不存在什么疑問，這里不做解釋。
第一輪成功匹配結束的位置是第一個“ </font> ”前的位置，第二輪成功匹配嘗試就是從這一位置開始。
首先由“ (?<=<font[/s/S]*?>) ”取得控制權，向左查找 6 個字符后開始嘗試匹配，由于“ < ”會匹配失敗，所以會一直嘗試到位置 0 處，這時“ <font ”是可以匹配成功的，但是由于“ <font[/s/S]*?> ”要匹配成功，匹配的結束位置必須是第一個“ </font> ”前的位置，所以“ > ”是匹配失敗的，這一位置整個表達式匹配失敗。
正則引擎傳動裝置向右傳動，直到第一個“ </font> ”后的位置，“ <font[/s/S]*?> ”匹配成功，匹配開始位置是位置 0 ，匹配結束位置是第一個“ </font> ”后的位置，“ <font[/s/S]*?> ”匹配到的內容是“ <font color="#008000"> ** 這里是不固定的字符串 1 ** </font> ”，其中“ [/s/S]*? ”匹配到的內容是“ color="#008000"> ** 這里是不固定的字符串 1 ** </font ”，后面的子表達式繼續匹配，直到第二輪匹配成功。
接下來的第三輪成功匹配，匹配過程與第二輪基本相同，只不過由于使用的是非貪婪模式，所以“ <font[/s/S]*?> ”在匹配到“ <font color="#008000"> ** 這里是不固定的字符串 2 ** </font> ”時匹配成功，就結束匹配，不再向左嘗試匹配了。
接下來看下貪婪模式的匹配結果。
string test = @"<font color=""#008000""> ** 這里是不固定的字符串 1 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 2 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 3 ** </font> " ;
MatchCollection mc = Regex .Matches(test, @"(?<=(<font[/s/S]*>))([/s/S]*?)(?=</font>)" );
for ( int i=0;i<mc.Count;i++)
{
richTextBox2.Text += " 第 " + (i+1) + " 輪成功匹配結果： /n" ;
richTextBox2.Text += "Group[0] ： " + m.Value + "/n" ;
richTextBox2.Text += "Group[1] ： " + m.Groups[1].Value + "/n---------------/n" ;
}
/*-------- 輸出 --------
第 1 輪匹配結果：
Group[0] ： ** 這里是不固定的字符串 1 **
Group[1] ： <font color="#008000">
---------------
第 2 輪匹配結果：
Group[0] ：
<font color="#008000"> ** 這里是不固定的字符串 2 **
Group[1] ： <font color="#008000"> ** 這里是不固定的字符串 1 ** </font>
---------------
第 3 輪匹配結果：
Group[0] ：
<font color="#008000"> ** 這里是不固定的字符串 3 **
Group[1] ： <font color="#008000"> ** 這里是不固定的字符串 1 ** </font>
<font color="#008000"> ** 這里是不固定的字符串 2 ** </font>
---------------
*/
僅僅是一個字符的差別，整個表達式的匹配結果沒有變化，但匹配過程差別卻是很大的。
那么如果想得到下面這種結果要如何做呢？
/*-------- 輸出 --------
** 這里是不固定的字符串 1 **
---------------
? ** 這里是不固定的字符串 2 **
---------------
? ** 這里是不固定的字符串 3 **
---------------
*/
把量詞修飾的子表達式的匹配范圍縮小就可以了。
string test = @"<font color=""#008000""> ** 這里是不固定的字符串 1 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 2 ** </font>
<font color=""#008000""> ** 這里是不固定的字符串 3 ** </font> " ;
MatchCollection mc = Regex .Matches(test, @"(?is)(?<=(<font[^>]*>))(?:(?!</?font/b).)*(?=</font>)" );
for ( int i=0;i<mc.Count;i++)
{
???? richTextBox2.Text += " 第 " + (i+1) + " 輪匹配結果： /n" ;
???? richTextBox2.Text += "Group[0] ： " + mc[i].Value + "/n" ;
???? richTextBox2.Text += "Group[1] ： " + mc[i].Groups[1].Value + "/n---------------/n" ;
}
/*-------- 輸出 --------
第 1 輪匹配結果：
Group[0] ： ** 這里是不固定的字符串 1 **
Group[1] ： <font color="#008000">
---------------
第 2 輪匹配結果：
Group[0] ： ** 這里是不固定的字符串 2 **
Group[1] ： <font color="#008000">
---------------
第 3 輪匹配結果：
Group[0] ： ** 這里是不固定的字符串 3 **
Group[1] ： <font color="#008000">
---------------
*/
3.2 ???? 逆序環視應用總結
通過對逆序環視的分析，可以看出，逆序環視中使用不定長度的量詞，匹配過程很復雜，代價也是很大的，這也許也是目前絕大多數語言不支持逆序環視，或是不支持在逆序環視中使用不定長度量詞的原因吧。
在正則應用中需要注意的幾點：
1、 ? 不要輕易在逆序環視中使用不定長度的量詞，除非確實需要；
2、 ? 在任何場景下，不只是逆序環視中，不要輕易使用量詞修飾匹配范圍非常大的子表達式，小數點“ . ”和“ [/s/S] ”之類的，使用時尤其要注意。
?
注：本文分析過程有部分為 自己的猜測，無從考證，如果錯漏，還請批評指正。
轉自:http://blog.csdn.net/lxcnn/article/details/4954134
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
