`
searun
  • 浏览: 174015 次
  • 性别: Icon_minigender_1
  • 来自: 合肥
社区版块
存档分类
最新评论

[跟我学正则表达式] 8. 使用后向引用

正则表达式ColdFusionJavaScriptHTMLD语言
阅读更多

前一章中介绍了如何使用子表达式将字符分成组。这种分组的主要用途之一是可以控制组的重复次数（在前一章中已经演示过）。本章中将介绍子表达式一个更重要的用法——使用后向引用。

 

理解后向引用

理解后向引用需求的最好办法是看一个例子。 HTML 开发者经常使用段落标签（ <H1> 到 <H6> ，包括相应的结束标签）来定义 Web 页面的提纲。假设你需要定位所有的段落标签，而不管相应的段落级别。下面是一个例子：

文本
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
</BODY>

正则表达式
<[hH]1>.*</[hH]1>

结果
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
</BODY>
分析

这里的模式“<[hH]1>.*</[hH]1>”匹配了第一个段落（从 <H1> 到 </H1> ），同样可以匹配 <h1> （ HTML 不是大小写敏感的）。但是什么模式可以匹配所有的六种段落（六种中的任何一种都是合法的）？

 

一种方案是将前面的 1 换成数字区间，如下面所示：

文本
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
</BODY>

正则表达式
<[hH][1-6]>.*?</[hH][1-6]>

结果
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
</BODY>

分析

这看起来可以工作：“<[hH][1-6]>”可以匹配任何开始的段落标签（在例子中包括<H1>和<H2>），而“<[hH][1-6]>”可以匹配所有的结束标签（在例子中为< / H1>和< / H2>）。

 

注意：我们这里使用了“.*?”而不是“.* ”。正如在第五章解释的一样，如“ * ”的量词是贪婪的，所以模式“<[hH][1-6]>.*</[hH][1-6]>”将匹配从第二行中的 <H1> 直到第六行中的 </H2> 。可以使用非贪婪量词“ .*? ”来解决这个问题。

 

我说的是可能，而不是可以，因为这个特定的例子中即使是使用贪婪量词也是可以解决问题的。因为这里的元字符“ . ”不能匹配换行符，而在这个例子中，段落标签都是位于单独的行中。但是这里使用非贪婪的量词匹配符是没有副作用的，最好使用安全的模式。

成功了吗？还没有。看看下面的例子（使用了同样的模式）：

文本
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

正则表达式
<[hH][1-6]>.*?</[hH][1-6]>

结果
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

分析

采用 <H2> 开始而采用 </H3> 的段落标题标签是非法的，但是现在的模式可以匹配。

 

这里的问题在于匹配的第二个部分（匹配结束的标签）没有办法知道匹配第一部分的知识（匹配开始的标签）。这也是为什么后向引用重要的原因。

 

使用后向引用匹配

在后面将会重新来看上面的例子。现在我们来看一个简单的例子，一个如果不使用后向引用就不能解决问题的例子。

 

假设现在有一段文本，你希望找到所有重复的单词（笔误使得单词出现了两次）。很显然，在搜索单词的第二次出现的时候，必须首先知道此单词。后向引用允许正则表达式模式参照前面的匹配内容（在这个例子中，就是第一次匹配的单词）。

理解这个特性的最好方式就是看看它的使用。下面的文本中包含了三组需要定位的重复单词：

文本
This is a block of of text,
several words here are are
repeated, and and they
should not be.

正则表达式
[ ]+(\w+)[ ]+\1

结果
This is a block of of text,
several words here are are
repeated, and and they
should not be.

分析

此模式可以工作，但是为什么可以工作呢？“[ ]+ ”匹配一个或者更多空格，“\w+”匹配一个或者更多的文字数字式字符，而“[ ]+”则用来匹配尾部的空格。但是注意到这里的“ \w+ ”加上了括号使其成为子表达式。此子表达式并不是用于重复匹配，而且本例中也不需要重复。这里的子表达式仅仅是对表达式进行分组，标记此子表达式供以后使用。模式的最后部分是“ \1 ”，这是对子表达式的后向引用，所以当“ \w+ ”匹配了单词 of ，“ \1 ”也将匹配 of ，当“ \w+ ”匹配了单词 and ，“ \1 ”也将匹配 and 。

 

注意：术语后向应用是因为这些实体将引用以前的子表达式。

但是“ \1 ”的实际含义是什么呢？它匹配模式中第一个子表达式。同理，“ \2 ”将匹配第二个子表达式，“ \3 ”将匹配第四个，依此类推。“[ ]+(\w+)[ ]+\1”因此将可以匹配所有重复出现的单词。

提示：你可以将后向应用理解成变量。

现在你已经看到了后向引用的用法，再来看看前面的 HTML 例子。使用后向引用，可以创建一个模式用来匹配开始标签和结束标签（忽略所有不匹配的标签对）。下面是这个例子：

文本
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

正则表达式
<[hH]([1-6])>.*?</[hH]\1>

结果
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

分析

同样的，在这里找到了三个匹配：一个<H1> 对和两个 <H2>对。就像以前一样，“<[hH]([1-6])>”将匹配任何的段落标签。但是和以前不一样的是，这里的“ [1-6] ”使用了小括号括起来成为了子表达式。这样，匹配结束标签的模式可以通过“</[hH]\1>”中的“ \1 ”来引用此子表达式。“ (1-6) ”是一个可以匹配数字 1 到 6 的子表达式，“ \1 ”因此可以匹配相同的数字。在这种情况下，“<H2>This is not valid HTML</H3>”将不能匹配。

 

笔记：非常遗憾的是，后向引用语法在不同的正则表达式实现中是不一样的。 JavaScript 中使用 \ 来表示后向引用（除了 $ 使用时的替换操作），Macromedia ColdFusion 和vi也是这样。 Perl 语言使用的是 $ （所以 $1 表示这里的 \1 ）。 .NET 正则表达式支持返回一个包含匹配名为 Groups 属性的对象，所以 C# 中的match.Groups[1]将引用第一个匹配，Visual Basic .NET中的match.Groups(1)将引用第一个匹配。 PHP 通过名为 $matches 的数组返回此信息，所以 $matches[1] 引用第一个匹配（尽管可以通过标志来改变）。在 JAVA 和 Python 语言中则返回包含一个数组名为 group 的匹配对象。

具体的正则表达式实现相关信息可以参看附录 1 ：流行应用和语言中的正则表达式。

注意：后向引用只能够引用子表达式（需要使用小括号括起来）。

提示：引用的匹配一般是从 1 开始。在大多数的实现中，匹配 0 可以用来引用整个表达式。

笔记：正如你所看到的，子表达式是通过相对位置来引用的： \1 引用第一个， \5 引用第五个，等等。尽管获得了广泛的支持，这个语法有着一个严重的问题：移动或者修改子表达式（也因此改变了子表达式的顺序）将会破坏模式，增加或者删除子表达式将会带来更大的问题。为了能够克服这个缺点，现在有些新的正则表达式实现支持命名引用，也就是说为每个可能引用的子表达式给定一个唯一的名称，在以后可以通过此名称来引用（而不是相对位置）。命名引用在本书中并没有包含，因为这还不是一个广泛支持的特性，而且支持此特性的正则表达式实现的语法都很不一样。尽管如此，如果你使用的应用或者语言支持命名引用的话（如 .NET ），最好是利用这种特性的好处。

 

执行替换操作

到现在为止我们所看到的正则表达式都是进行搜索——在一段文本中定位单词。事实上，可能确实大部分的正则表达式都是用来进行搜索。但是这不是正则表达式可以做的所有事情——正则表达式还可以用来执行替换操作。举个例子，将 CA 替换成California和将MI替换成Michigan 并不是正则表达式需要完成的工作。尽管使用正则表达式也是合法的，但是没有必要这么做。事实上，在这里如果使用简单的字符串操作函数的话过程将会变得更加容易。

正则表达式只有在使用后向引用的时候才变得有竞争性。下面是在第五章中使用过的例子：

文本
Hello, ben@forta.com is my email address.

正则表达式
\w+[\w\.]*@[\w\.]+\.\w+

结果
Hello, ben@forta.com is my email address.

分析

这个模式匹配了一段文本中的邮件地址（已经在第五章中进行了解释）。

 

但是如果你现在希望将所有的邮件地址修改为可点击的该怎么做？在 HTML 语言中可以使用“<A HREF=" mailto:user@address.com">user@address.com</A >” 来创建一个可点击的邮件地址。是否可以通过正则表达式改变为可点击的邮件地址？事实上，是而且非常简单（当你知道如何使用后向引用的时候）。

文本
Hello, ben@forta.com is my email address.

正则表达式
(\w+[\w\.]*@[\w\.]+\.\w+)

替换

<A HREF="mailto:$1">$1</A >

 

结果

Hello, <A HREF="mailto:ben@forta.com">ben@forta.com</A >
is my email address.

分析

在替换操作中，将使用两个正则表达式：其中一个指定搜索模式，第二个指定需要匹配的文本。后向引用可能会跨越模式，所以在第一个模式中匹配的子表达式将会用于第二个模式中。“(\w+[\w\.]*@[\w\.]+\.\w+)”和前面的模式是一样的（定位邮件地址），但是这里指定了一个子表达式。这样匹配的文本将可以用于替换模式。“<A HREF=" mailto:$1">$1</A > ” 使用了匹配的子表达式两次——第一个用为 HREF 的属性（定义 mailto: ），后面则定义了可点击文本。所以，“ ben@forta.com ”将变为“<A HREF=" mailto:ben@forta.com">ben@forta.com</A >”，这也是我们所需要的。

 

注意：前面已经提到过，你可能需要根据实现来修改后向引用。在这里，JavaScript用户将使用 $ 来替代前面的 \ 。而对于ColdFusion 用户则可以使用 \ 来执行搜索和替换操作。

提示：就像在这个例子中看到的，一个子表达式可以通过后向引用根据需要简单的引用多次。

让我们再来看一个例子。用户信息保存在数据库中，其中电话号码使用“313-555-1234”的格式保存。现在，需要重新格式化电话号码为“(313) 555-1234”。下面是这个例子：

文本
313-555-1234
248-555-9999
810-555-9000

正则表达式
(\d{3})(-)(\d{3})(-)(\d{4})

替换
($1) $3-$5

结果
(313) 555-1234
(248) 555-9999
(810) 555-9000

分析

同样的，这里使用了两个正则表达式模式。第一个看起来很复杂，实际上是比较简单的。“(\d{3})(-)(\d{3})(-)(\d{4})”匹配了一个电话号码，并分成了五个子表达式（五个部分）。“(\d{3})”匹配刚开始的三个数字并作为第一个子表达式，“ (-) ”匹配“ - ”并作为第二个子表达式，依此类推。最后的结果是将此电话号码分为了五个部分（每个部分都是一个子表达式）：区域码，连字符，号码前三个数字，连字符，号码后四个数字。这四个部分可以根据需要单独引用，所以“($1) $3-$5”只是使用了其中的三个子表达式，而忽略了另外的两个，因此“313-555-1234”改变为了“(313) 555-1234”。

 

提示：在对文本重新格式化的时候，一般来说会将文本变为许多小的子表达式，这可以更好地控制文本。

 

改变大小写

有些正则表达式实现还支持通过表 8.1 中的元字符来改变大小写。

 

元字符

描述

\E

终止\L 或者 \U 的转换

\l

将接下来的字符改为小写

\L

将接下来的所有字符改为小写直到遇到 \E

\u

将接下来的字符改为大写

\U

将接下来的所有字符改为大写直到遇到 \E

表8.1. 改变大小写的元字符

 

\l 和 \u 放置在字符或者子表达式之前用来转换接下来的字符大小写。 \L 和 \U 用来转会接下来的所有字符大小写直到遇到 \E 。下面是一个简单的例子，将 <H1> 标签对中的文字改为大写：

文本
<BODY>
<H1>Welcome to my Homepage</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

正则表达式
(<[Hh]1>)(.*?)(</[Hh]1>)

替换
$1\U$2\E$3

结果
<BODY>
<H1>WELCOME TO MY HOMEPAGE</H1>
Content is divided into two sections:<BR>
<H2>ColdFusion</H2>
Information about Macromedia ColdFusion.
<H2>Wireless</H2>
Information about Bluetooth, 802.11, and more.
<H2>This is not valid HTML</H3>
</BODY>

分析

此模式“(<[Hh]1>)(.*?)(</[Hh]1>)”将段落标签内容分解成三个部分：开始标签、文本和结束标签。第二个模式中将这些内容放在了一起： $1 包含了开始标签，“ \U$2\E”转换了第二个子表达式到其大写形式， $3 中包含了结束标签。

 

小结

子表达式用来定义了一组字符。除了可以用来进行重复匹配以外（在前一章中已经演示过），子表达式还可以用来引用。这种引用被称为后向引用（非常遗憾的是，后向引用的语法并不相同）后向引用在文本匹配和替换操作中都很有用。

 

亦歌亦行 @ http://searun.iteye.com

分享到：
| [如何写一篇优秀的论文] 书写初稿
评论
1 楼 jimode2013 2013-09-11  
您好，请问改变大小写的元字符在javascript中支持吗？
发表评论

您还没有登录,请您登录后再发表评论

相关推荐

Magicbox
Global site tag (gtag.js) - Google Analytics