vb.net正则表达式快速入门（3）完

作者：lzmtw

10.选择符 正则表达式中“ ¦”表示选择。 你可以用选择符匹配多个可能的正则表达式中的一个。如果你想搜索文字“cat”或“dog”，你可以用 < <cat¦dog> > 。 如果你想有更多的选择，你只要扩展列表 < <cat¦dog¦mouse¦fish> > 。 选择符在正则表达式中具有最低的优先级，也就是说，它告诉引擎要么匹配选择符左边的所有表达式，要么匹配右边的所有表达式。 你也可以用圆括号来限制选择符的作用范围。如 < <\b(cat¦dog)\b> > ，这样告诉正则引擎把(cat ¦dog)当成一个正则表达式单位来处理。 注意正则引擎的“急于表功”性 正则引擎是急切的，当它找到一个有效的匹配时，它会停止搜索。因此在一定条件下，选择符两边的表达式的顺序对结果会有影响。 假设你想用正则表达式搜索一个编程语言的函数列表：Get，GetValue，Set或SetValue。一个明显的解决方案是           < <Get¦GetValue¦Set¦SetValue> > 。 让我们看看当搜索SetValue时的结果。因为 < <Get> > 和 < <GetValue> > 都失败了，而 < <Set> > 匹配成功。 因为正则导向的引擎都是“急切”的，所以它会返回第一个成功的匹配，就是“Set”，而不去继续搜索是否有其他更好的匹配。 和我们期望的相反，正则表达式并没有匹配整个字符串。 有几种可能的解决办法。     一是考虑到正则引擎的“急切”性，改变选项的顺序，例如我们使用              < <GetValue¦Get¦SetValue¦Set> > ，              这样我们就可以优先搜索最长的匹配。     我们也可以把四个选项结合起来成两个选项：              < <Get(Value)?¦Set(Value)?> > 。              因为问号重复符是贪婪的，所以SetValue总会在Set之前被匹配。      一个更好的方案是使用单词边界：              < <\b(Get¦GetValue¦Set¦SetValue)\b> > 或 < <\b(Get(Value)?¦Set(Value)?\b> > 。             更进一步，既然所有的选择都有相同的结尾，我们可以把正则表达式优化为 < <\b(Get¦Set)(Value)?\b> > 。 11.组与向后引用 把正则表达式的一部分放在圆括号内，你可以将它们形成组。然后你可以对整个组使用一些正则操作，例如重复操作符。 要注意的是，只有圆括号“()”才能用于形成组。“[]”用于定义字符集。“{}”用于定义重复操作。 当用“()”定义了一个正则表达式组后，正则引擎则会把被匹配的组按照顺序编号，存入缓存。 当对被匹配的组进行向后引用的时候，可以用“\数字”的方式进行引用。         < <\1> > 引用第一个匹配的后向引用组，         < <\2> > 引用第二个组，以此类推，         < <\n> > 引用第n个组。     而 < <\0> > 则引用整个被匹配的正则表达式本身。 我们看一个例子。假设你想匹配一个HTML标签的开始标签和结束标签，以及标签中间的文本。比如          <B>This is a test</B> ， 我们要匹配 <B> 和 </B> 以及中间的文字。我们可以用如下正则表达式：        “ <([A-Z][A-Z0-9]*)[^> ]*> .*? </\1> ” 首先，“ <”将会匹配“ <B> ”的第一个字符“ <”。 然后[A-Z]匹配B，[A-Z0-9]*将会匹配0到多次字母数字，后面紧接着0到多个非“> ”的字符。 最后正则表达式的“> ”将会匹配“ <B> ”的“> ”。 接下来正则引擎将对结束标签之前的字符进行惰性匹配，直到遇到一个“ </”符号。 然后正则表达式中的“\1”表示对前面匹配的组“([A-Z][A-Z0-9]*)”进行引用，在本例中，被引用的是标签名“B”。 所以需要被匹配的结尾标签为“ </B> ”你可以对相同的后向引用组进行多次引用，          < <([a-c])x\1x\1> > 将匹配“axaxa”、“bxbxb”以及“cxcxc”。如果用数字形式引用的组没有有效的匹配，则引用到的内容简单的为空。 一个后向引用不能用于它自身。               < <([abc]\1)> > 是错误的。 因此你不能将 < <\0> > 用于一个正则表达式匹配本身，它只能用于替换操作中。 后向引用不能用于字符集内部。            < <(a)[\1b]> > 中的 < <\1> > 并不表示后向引用。在字符集内部， < <\1> > 可以被解释为八进制形式的转码。 向后引用会降低引擎的速度，因为它需要存储匹配的组。如果你不需要向后引用，你可以告诉引擎对某个组不存储。例如：            < <Get(?:Value)> > 。其中“(”后面紧跟的“?:”会告诉引擎对于组(Value)，不存储匹配的值以供后向引用。 重复操作与后向引用 当对组使用重复操作符时，缓存里后向引用内容会被不断刷新，只保留最后匹配的内容。例如：           < <([abc] )=\1> > 将匹配“cab=cab”，但是           < <([abc]) =\1> > 却不会。 因为([abc])第一次匹配“c”时，“\1”代表“c”；然后([abc])会继续匹配“a”和“b”。最后“\1”代表“b”，所以它会匹配“cab=b”。 应用：检查重复单词--当编辑文字时，很容易就会输入重复单词，例如          “the the”。 使用 < <\b(\w )\s \1\b> > 可以检测到这些重复单词。要删除第二个单词，只要简单的利用替换功能替换掉“\1”就可以了。 组的命名和引用 在PHP，Python中，可以用 < <(?P <name> group)> > 来对组进行命名。 在本例中，词法?P <name> 就是对组(group)进行了命名。其中name是你对组的起的名字。你可以用(?P=name)进行引用。 .NET的命名组.NETframework也支持命名组。不幸的是，微软的程序员们决定发明他们自己的语法，而不是沿用Perl、Python的规则。 目前为止，还没有任何其他的正则表达式实现支持微软发明的语法。 下面是.NET中的例子：          (? <first> group)(?’second’group) 正如你所看到的，.NET提供两种词法来创建命名组：一是用尖括号“ <> ”，或者用单引号“’’”。 尖括号在字符串中使用更方便，单引号在ASP代码中更有用，因为ASP代码中“ <> ”被用作HTML标签。 要引用一个命名组，使用\k <name> 或\k’name’.当进行搜索替换时，你可以用“${name}”来引用一个命名组。 12.正则表达式的匹配模式 本教程所讨论的正则表达式引擎都支持三种匹配模式：              < </i> > 使正则表达式对大小写不敏感，              < </s> > 开启“单行模式”，即点号“.”匹配新行符             < </m> > 开启“多行模式”，即“^”和“$”匹配新行符的前面和后面的位置。 在正则表达式内部打开或关闭模式 如果你在正则表达式内部插入修饰符(?ism)，则该修饰符只对其右边的正则表达式起作用。 (?-i)是关闭大小写不敏感。你可以很快的进行测试。              < <(?i)te(?-i)st> >  应该匹配TEst，但是不能匹配teST或TEST.   13.原子组与防止回溯 在一些特殊情况下，因为回溯会使得引擎的效率极其低下。 让我们看一个例子：要匹配这样的字串，字串中的每个字段间用逗号做分隔符，第12个字段由P开头。我们容易想到这样的正则表达式               < <^(.*?,){11}P> > 。 这个正则表达式在正常情况下工作的很好。但是在极端情况下，如果第12个字段不是由P开头，则会发生灾难性的回溯。 如要搜索的字串为              “1,2,3,4,5,6,7,8,9,10,11,12,13”。 首先，正则表达式一直成功匹配直到第12个字符。 这时，前面的正则表达式消耗的字串为“1,2,3,4,5,6,7,8,9,10,11,”，到了下一个字符， < <P> > 并不匹配“12”。 所以引擎进行回溯，这时正则表达式消耗的字串为“1,2,3,4,5,6,7,8,9,10,11”。 继续下一次匹配过程，下一个正则符号为点号 < <.> > ，可以匹配下一个逗号“,”。 然而 < <，> > 并不匹配字符“12”中的“1”。匹配失败，继续回溯。大家可以想象，这样的回溯组合是个非常大的数量。因此可能会造成引擎崩溃。 用于阻止这样巨大的回溯有几种方案：     一种简单的方案是尽可能的使匹配精确。         用取反字符集代替点号。例如我们用如下正则表达式 < <^([^,\r\n]*,){11}P> > ，这样可以使失败回溯的次数下降到11次。     另一种方案是使用原子组。         原子组的目的是使正则引擎失败的更快一点。因此可以有效的阻止海量回溯。 原子组的语法是 < <(?> 正则表达式)> > 。 位于(?> )之间的所有正则表达式都会被认为是一个单一的正则符号。 一旦匹配失败，引擎将会回溯到原子组前面的正则表达式部分。前面的例子用原子组可以表达成 < <^(?> (.*?,){11})P> > 。 一旦第十二个字段匹配失败，引擎回溯到原子组前面的 < <^> > 。