Chapter 5. Practical RegexTechniques
5.1. Regex Balancing Act
好的正则表达式必须在这些方面求得平衡:
lMatching what you want, butonly what you want
只匹配期望的文本,排除不期望的文本。
lKeeping the regex manageableand understandable
必须易于控制和理解。
lFor an NFA, being efficient(creatinga regex that leads the engine quickly to a match or non-match, as the case maybe)
如果使用NFA引擎,必须保证效率(如果能够匹配,必须很快地返回匹配结果,如果不能匹配,应该在尽可能短的时间内报告匹配失败)。
5.2. A Few Short Examples
5.2.1 Continuing with Continuation Lines
如果不需要点号匹配反斜线,就应该在正则表达式中排除它。
例如:使用「^\w+=[^\n\\]*(\\\n[^\n\\]*)*」匹配:
SRC=array.cbuiltin.c eval.c field.c gawkmisc.c io.c main.c \
missing.cmsg.c node.c re.c version.c
程序如下:
#! /usr/bin/perl -w
$textStr = "SRC=array.c builtin.ceval.c field.c gawkmisc.c io.c main.c \
\nmissing.c msg.c node.c re.c version.c";
$textStr =~/^\w+=([^\n\\]*(?:\\\n[^\n\\]*)*)/;
print $1;
迄今为止,我们的思路都是,“匹配一行,如果还有连续行,就继续匹配”。现在换另外一种思路:集中关注在特定时刻真正容许匹配的字符。
所以,正则表达式就变成了「^\w+=([^\n\\]|\\.)*」。
改造完的程序如下:
#! /usr/bin/perl -w
$textStr = "SRC=array.c builtin.ceval.c field.c gawkmisc.c io.c main.c \
\nmissing.c msg.c node.c re.c version.c";
# $textStr =~/(^\w+=[^\n\\]*(?:\\\n[^\n\\]*)*)/;
# improve
$textStr =~ /^\w+=((?:[^\n\\]|\\.)*)/;
print $1;
5.2.2 Matching an IP Address
我们使用「^[0-9]+\.[0-9]+\.[0-9]+\.[0-9]+$」匹配IP地址这样xxx.xxx.xxx.xxx格式的文本。
注在支持Unicode的系统中,「\d」或许能匹配非ASCII的数字。
因为IP地址是一个3位数字,所以:
「^d{1, 3}\. d{1,3}\. d{1, 3}\. d{1, 3}$」
这个区间量词是完全可以接受的。
但是,他也会接受像“999”这样的。
因为所有数都必须小于255,所以:
「[01]?\d\d?|2[0-4]\d|25[0-5]」
能完成这个任务。
那么整个表达式就是:
「^([01]?\d\d?|2[0-4]\d|25[0-5])\.([01]?\d\d?|2[0-4]\d|25[0-5])\. ([01]?\d\d?|2[0-4]\d|25[0-5])\.([01]?\d\d?|2[0-4]\d|25[0-5])$」
5.2.3 Working with Filenames
I. Accessing the filename from a path
对于Unix文件名:
「([^/]*)$」
对于Windows文件名:
「([^\\]*)$」
请看示例:
#! /usr/bin/perl -w
# unix path
$uPathStr = "/lib/awk/grcat.out";
# windows path
$winPathStr = "C:\\ProgramFiles\\Movie Maker\\moviemk.exe";
$uPathStr =~ m{([^/]*)$};
print "Unix filename: $1 \n";
$winPathStr =~ /([^\\]*)$/;
print "Windows filename $1 \n";
注意,在使用查找文件名之类的问题,尽量不要用正则!此例会进行大量的回溯!
5.2.4 Matching Delimited Text
Always consider the “odd” cases in whichyou don’t want a regex to match, such as with “bad” data.
针对“糟糕(bad)”的数据,正则表达式不应该能够匹配!
5.2.5 Stripping Leading and Trailing Whitespace
去除行首的空格:
s/^\s+//
去除行尾的空格:
s/\s+$//
使用「+」而不使用「*」的原因是增加效率。因为如果事实上没有需要删除的空白字符,就不用做替换。
为了对比,我们看3个糟糕的正则表达式:
Øs/\s*(.*?)\s*$/$1/s
这个表达式所用时间是简单方法的5倍。之所以效率这么低,是因为忽略优先约束的点号每次应用时都要检查「\s*$」。这需要大量的回溯。
Øs/^\s*((?:.*\S)?)\s*$/$1/s
在「^\s*」匹配了文本开头的空格之后,「.*」马上匹配到文本的末尾。后面的「\S」强迫他回溯直到找到一个非空的字符,把剩下的空白字符留给最后的「\s*$」,捕获括号之外的。这个表达式所用时间是简单方法的2倍。
Øs/^\s+|\s+$//g
这是最容易想到的正则,但他不正确(其实这三个都不正确),这种顶级的(top-leveled)多选分支排列严重影响本来可能使用的优化措施。这个表达式所用时间是简单方法的4倍。