正则表达式——详细讲解平衡组

这篇文章适合你吗？

要读懂这篇文章的精髓，你最好要有一点正则匹配原理的基础。比如".*?"匹配文本内容"asp163"，稍懂正则表达式的人都知道可以匹配，但是你知道他的匹配过程吗？如果你不太清楚，那么下面的内容，对你来说可能不太适合，或许，看的太吃力且无法领悟平衡组的用法。因此，我建议你先了解正则表达式NFA引擎的匹配原理。想要整理一份易懂易描述的话，的确要费些时间，但不知道这篇内容会不会达到我预期的效果。慢慢完善吧~（注：这是我2010年写的，现在拿过来，有时间将自己做为读者来看本篇文章，修改有问题的地方，并增加些实例，尽量做到通俗易懂。）

一般正则教程中对平衡组的介绍

如果想要匹配可嵌套的层次性结构的话，就得使用平衡组了。举个例子吧，如何把“xx <aa <bbb> <bbb> aa> yy”这样的字符串里，最长的尖括号内的内容捕获出来？

这里需要用到以下的语法构造：

(?<group>) 把捕获的内容命名为group,并压入堆栈
(?<-group>) 从堆栈上弹出最后压入堆栈的名为group的捕获内容，如果堆栈本来为空，则本分组的匹配失败
(?(group)yes|no) 如果堆栈上存在以名为group的捕获内容的话，继续匹配yes部分的表达式，否则继续匹配no部分
(?!) 顺序否定环视，由于没有后缀表达式，试图匹配总是失败
如果你不是一个程序员（或者你是一个对堆栈的概念不熟的程序员），你就这样理解上面的三种语法吧：第一个就是在黑板上写一个（或再写一个）"group"，第二个就是从黑板上擦掉一个"group"，第三个就是看黑板上写的还有没有"group"，如果有就继续匹配yes部分，否则就匹配no部分。

我们需要做的是每碰到了左括号，就在黑板上写一个"group"，每碰到一个右括号，就擦掉一个，到了最后就看看黑板上还有没有－如果有那就证明左括号比右括号多，那匹配就应该失败（为了能看得更清楚一点，我用了(?'group')的语法）： 

<                 #最外层的左括号
  [^<>]*          #最外层的左括号后面的不是括号的内容
  (
    (
      (?'Open'<)  #碰到了左括号，在黑板上写一个"Open"
      [^<>>]*     #匹配左括号后面的不是括号的内容
    )+
    (
      (?'-Open'>) #碰到了右括号，擦掉一个"Open"
      [^<>]*      #匹配右括号后面不是括号的内容
    )+
  )*
  (?(Open)(?!))   #在遇到最外层的右括号前面，判断黑板上还有没有没擦掉的"Open"；如果有，则匹配失败
>                 #最外层的右括号

我为什么写这篇文章

   看了上面的介绍，你明白了吗？在我未理解正则表达式匹配原理之前，看上面对于平衡组的介绍，似懂非懂，且只能当做模板记住，而不能灵活运用。因此查阅大量有关正则方面的资料，这里尤其感谢lxcnn的技术文档及《精通正则表达式》这本书，让我对正则表达式有了更深入、更系统的理解，因此，在它们的基础之上，我就结合自己的学习经历做个小结，一来做为学习笔记存档，另外，如果能解决你的疑惑，也是件让人高兴的事。

我先暂不分析上面的代码，先讲解一下关于平衡组相关的概念及知识。

下面表达式匹配测试工具为：Expresso，本站也提供它的完美破解版下载。点击下载

平衡组的概念及作用

平衡组，故名思义，平衡即对称，主要是结合几种正则语法规则，提供对配对出现的嵌套结构的匹配。平衡组有狭义与广义两种定义，狭义平衡组指(?Expression) 语法，而广义平衡组并不是固定的语法规则，而是几种语法规则的综合运用，我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明，平衡组这种简写指的是广义平衡组。

平衡组的匹配原理

平衡组的匹配原理可以用堆栈来解释，先举个例子，再根据例子进行解释。

源字符串：a+(b*(c+d))/e+f-(g/(h-i))*j

正则表达式：\(((?<Open>\()|(?<-Open>\))|[^()])*(?(Open)(?!))\)

需求说明：匹配成对出现的()中的内容

输出：(b*(c+d)) 和 (g/(h-i))

我将上面正则表达式代码分行写，并加上注释，这样看起来有层次，而且方便 

 \(               #普通字符“(”
   (              #分组构造，用来限定量词“*”修饰范围
     (?<Open>\()  #命名捕获组，遇到开括弧“Open”计数加1
     |            #分支结构
     (?<-Open>\)) #狭义平衡组，遇到闭括弧“Open”计数减1
     |            #分支结构
     [^()]+       #非括弧的其它任意字符
   )*             #以上子串出现0次或任意多次
   (?(Open)(?!))  #判断是否还有“Open”，有则说明不配对，什么都不匹配
 \)              #普通闭括弧

对于一个嵌套结构而言，开始和结束标记都是确定的，对于本例开始为“(”，结束为“)”，那么接下来就是考察中间的结构，中间的字符可以划分为三类，一类是“(”，一类是“)”，其余的就是除这两个字符以外的任意字符。

那么平衡组的匹配原理就是这样的

1、先找到第一个“(”，作为匹配的开始。即上面的第1行，匹配了：a+(b*(c+d))/e+f-(g/(h-i))*j （红色显示部分）

2、在第1步以后，每匹配到一个“(”，就入栈一个Open捕获组，计数加1

3、在第1步以后，每匹配到一个“)”，就出栈最近入栈的Open捕获组，计数减1

也就是讲，上面的第一行正则“\(”匹配了：a+(b*(c+d))/e+f-(g/(h-i))*j （红色显示部分）
然后，匹配到c前面的“(”，此时，计数加1；继续匹配，匹配到d后面的“)”，计算减1；——注意喽：此时堆栈中的计数是0，正则还是会向前继续匹配的，但是，如果匹配到“)”的话，比如，这个例子中d))（红色显示的括号）——引擎此时将控制权交给(?(Open)(?!))，判断堆栈中是否为0，如果为0，则执行匹配“no”分支，由于这个条件判断结构中没有“no”分支，所以什么都不做，把控制权交给接下来的“\)”
这个正则表达式“\)”可匹配接下来的)，即b))（红色显示的括号）

4、后面的 (?(Open)(?!))用来保证堆栈中Open捕获组计数是否为0，也就是“(”和“)”是配对出现的

5、最后的“)”，作为匹配的结束

匹配过程

首先匹配第一个“(”，然后一直匹配，直到出现以下两种情况之一时，把控制权交给(?(Open)(?!))：

a)堆栈中Open计数已为0，此时再遇到“)”

b)匹配到字符串结束符

这时控制权交给(?(Open)(?!))，判断Open是否有匹配，由于此时计数为0，没有匹配，那么就匹配“no”分支，由于这个条件判断结构中没有“no”分支，所以什么都不做，把控制权交给接下来的“\)”

如果上面遇到的是情况a)，那么此时“\)”可以匹配接下来的“)”，匹配成功；
如果上面遇到的是情况b)，那么此时会进行回溯，直到“\)”匹配成功为止，否则报告整个表达式匹配失败。

由于.NET中的狭义平衡组“(?<Close-Open>Expression)”结构，可以动态的对堆栈中捕获组进行计数，匹配到一个开始标记，入栈，计数加1，匹配到一个结束标记，出栈，计数减1，最后再判断堆栈中是否还有Open，有则说明开始和结束标记不配对出现，不匹配，进行回溯或报告匹配失败；如果没有，则说明开始和结束标记配对出现，继续进行后面子表达式的匹配。

需要对“(?!)”进行一下说明，它属于顺序否定环视，完整的语法是“(?!Expression)”。由于这里的“Expression”不存在，表示这里不是一个位置，所以试图尝试匹配总是失败的，作用就是在Open不配对出现时，报告匹配失败。

下面在看个例子： 

<table>
<tr>
<td id="td1"> </td>
<td id="td2">
<table>
<tr>
<td>snhame</td>
<td>f</td>
</tr>
</table>
</td>
<td></td>
</tr> </table>

以上为部分的HTML代码.现在我们的问题是要提取出其<td id="td2">的<td>标签并将其删除掉，以往我们惯用的方法都是直接去取,像<td\s*id="td2">[\s\S]+?\</td>，不过问题出来了,我们提取到的不是我们想要的内容,而是

<td id="td2">
<table>
<tr>
<td>snhame</td>

原因也很简单,它和离他最近的</td>标签匹配上了,不过它不知道这个标签不是它的-_-，是不是就是?符号的原因呢,我们去掉让他无限制贪婪,可这下问题更大了,什么乱七八糟的东东它都匹配到了

<td id="td2">
<table>
<tr>
<td>snhame</td>
<td>f</td>
</tr>
</td>
<td></td>

这个结果也不是我们想要的。那么我就用“平衡组”来解决吧。

<td\s*id="td2"[^>]*>((?<mm><td[^>]*>)+|(?<-mm></td>)|[\s\S])*?(?(mm)(?!))</td>

匹配的结果是

<td id="td2">
<table>
<tr>
<td>snhame</td>
<td>f</td>
</tr>
</table>
</td>
<td></td>

这正是我们想要的

注意，我开始写成这样的方式

<td\s*id="td2"[^>]*>((?<mm><td[^>]*>)+|(?<-mm></td>)|[\s\S])*(?(mm)(?!))</td>

匹配的结果是

<td id="td2">
<table>
<tr>
<td>snhame</td>
<td>f</td>
</tr>
</table>
</td>
<td></td>

一个问题

以下代码只是做为一个问题探讨

文本内容：e+f(-(g/(h-i))*j
正则表达式：

\(
  (
    (?<mm>\()
    |
    (?<-mm>\))
    |
    .
  )*?
  (?(mm)(?!))
\)

匹配的结果是：(-(g/(h-i))