复杂的正则表达式应该如何构造

昨天Snopo问我如何写一段正则表达式，来提取sql的条件语句。解答之余，想写一篇文章介绍一下经验。文题本来是《如何构造复杂的正则表达式》，但是觉得有些歧义，就感觉正则式本来很简单，我在教人如何将它小事化大一样。正好相反，我的本意是说，即使复杂的正则式也不怕，找出合适的方法，将其构造出来。

 

避重就轻

Snopo给出的文本是这样的：or and name='zhangsan' and id=001 or age>20 or area='%renmin%' and like，问，如何提取其中正确的SQL查询语句。

简要分析可知，中间部分是合乎要求的，只是两端的有若干个like, or, and。构造能够解析合乎SQL语法的查询语句的正则表达式，应该是比较复杂的。可是，对于具体的问题，也可以更简单。上述的不良构的SQL语句，应该是使用程序自动生成的，它的两端会有一些不符合题意的文本。只要将这些文本去除就可以了。

于是，我写出了正则表达式：s/^(?:(?:or|and|like)/s*)+|/s*(?:(?:or|and|like)/s*)+$//mi;，这样就把多行字串首尾的like, or, and以及可能的空白字符全部去掉了，剩下的内容即为所求。

分而治之

答案发过去之后，Snopo显然不是很满意这种“偷懒”的办法。他继续问道，能否写出正则式，用来匹配合符SQL语法要求的条件查询语句？（只考虑where部分即可，不必写完整的select。）

的确，从快速解决问题的角度来说，只要能够行之有效地解决，用什么办法都可以；不过从学习知识的角度来说，不避重就轻，而是刨根问底，才是正途。既如此，就看一下如何使用正则，将该SQL查询语句解决掉。

最简单的查询语句，应该是真假判断，即 where 1; where True; where false，等等。 这样的语句使用正则式，直接/(?:-?/d+|True|False)/i。

稍复杂些的单条语句，可以是左右比较，即

1	name like 'zhang%', 或 age>25 ，或 work in ('it', 'hr', 'R&D')

。将其简单化，结构就变为A OP B。其中A代表变量，OP代表比较操作符，B代表值。

• A: 最简单的A，应该是/w+。考虑到实际情况，变量包含点号或脱字符，例如`table.salary`，可以记为/[/w.`]+/。这是比较笼统的细化。如果要求比较苛刻，还可以做到让脱字符同时在左右两边出现（条件判断）。
• OP: Where 常用的几种关系比较为：=, <>, >, <, >=, <=, Between, Like, in。使用简单的正则描述之，成为：/(?:[<>=]{1,2}|Between|Like|In)/i。
• B: B 的情况又可分为3种：变量，数字，字符串，列表。为简单起见，这里就不考虑算术表达式了。
  

  • 变量的话，直接延用A的定义即可。不赘述。
  • 数字：使用//d+/来定义。不考虑小数和负数了。
  • 字符串：包括单引号字串和双引号字串。中间可以包括被转义的引号。我写了一个符合这一要求的引号字串正则表达式，形如：/(['"])(?://['"]|[^//1])*?/1/。不过，由于它只是庞大机器的一个零件，这样写的风险是极其大的。首先，它使用了反向引用；其次，该反向引用使用了全局的反向引用编号。我写了自动生成全局编号的函数，来解决这一问题。不过，这里谈细节是不是太深入了。应该先谈框架，再说细节才对。不应该一入手就陷进细节的汪洋大海。
  • 列表：列表是形如(1, 3 , 4) 或 ("it","hr", "r&d")之类的东东，它由简单变量以逗号相连，两边加上括号组成。列表的单项以I表示，它代表 数字|字符串。此时，列表就变为：//(I(?:,I)*?/)/。它表示，左括号，一个I，一系列由逗号、I组成的其它列表项（0个或多个），右括号。简单起见没有考虑空白字符。

• 至此，可以总结出单条语句的正则框架：S =~ /A OP B/i。S在此代表单条语句。

更为复杂的是多条语句，可以由单条语句组成，中间使用 and 或 or 连接。合理地构造单条语句，将其稳定地编制为多条语句，任务就完成了。

沿用上面的示例，以S代表单条语句，那么复合语句C就是 C =~S(?:(?:or|and) S)*?/。至此，一个初具规模的条件语句解析器就诞生了。下面以python为例，一步一步实现出来。

Python实现

重申一句：虽然给出了实现，但是仍请注重思路，忽略代码。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65

#!/usr/bin/python # -*- coding: utf-8 -*- # #author:         rex #blog:           http://iregex.org #filename        test.py #created:        2010-08-06 17:12 #generage quoted string; #including ' and " string #allow /' and /" inside index= 0 def gen_quote_str ( ):       global index     index+= 1     char= chr ( 96+index )      return r """(?P<quote_%s>['"])(?://['"]|[^'"])*?(?P=quote_%s)""" %  (char, char ) #simple variable  def a ( ):      return r '[/w.`]+' #operators def op ( ):      return r '(?:[<>=]{1,2}|Between|Like|In)' #list item within (,) #eg: 'a', 23, a.b, "asdfasdf/"aasdf" def item ( ):      return r "(?:%s|%s)"  %  (a ( ), gen_quote_str ( ) ) #a complite list, like #eg: (23, 24, 44), ("regex", "is", "good") def items ( ):      return r """/( /s*      %s      (?:,/s* %s)* /s*  /)"""  %  (item ( ), item ( ) ) #simple comparison #eg: a=15 , b>23 def s ( ):      return r """%s /s* %s /s* (?:/w+| %s | %s )"""  %  (a ( ), op ( ), gen_quote_str ( ), items ( ) )      #complex comparison # name like 'zhang%' and age>23 and work in ("hr", "it", 'r&d') def c ( ):      return r """ (?ix) %s  (?:/s*     (?:and|or)/s*     %s  /s* )*      """  %  (s ( ), s ( ) ) print  "A:/t", a ( ) print  "OP:/t", op ( ) print  "ITEM:/t", item ( ) print  "ITEMS:/t", items ( ) print  "S:/t", s ( ) print  "C:/t", c ( )

该代码在我的机器上(Ubuntu 10.04, Python 2.6.5)运行的结果是：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

A:   [/w. ` ]+ OP:  ( ?: [ <>= ] { 1, 2 }|Between|Like|In ) ITEM:    ( ?: [/w. ` ]+| ( ?P <quote_a > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_a ) ) ITEMS:  / ( /s *       ( ?: [/w. ` ]+| ( ?P <quote_b > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_b ) )       ( ?:,/s *  ( ?: [/w. ` ]+| ( ?P <quote_c > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_c ) ) ) * /s *  / ) S:   [/w. ` ]+ /s *  ( ?: [ <>= ] { 1, 2 }|Between|Like|In ) /s *  ( ?:/w+|  ( ?P <quote_d > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_d ) | / ( /s *       ( ?: [/w. ` ]+| ( ?P <quote_e > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_e ) )       ( ?:,/s *  ( ?: [/w. ` ]+| ( ?P <quote_f > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_f ) ) ) * /s *  / )  ) C:   ( ?ix )  [/w. ` ]+ /s *  ( ?: [ <>= ] { 1, 2 }|Between|Like|In ) /s *  ( ?:/w+|  ( ?P <quote_g > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_g ) | / ( /s *       ( ?: [/w. ` ]+| ( ?P <quote_h > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_h ) )       ( ?:,/s *  ( ?: [/w. ` ]+| ( ?P <quote_i > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_i ) ) ) * /s *  / )  )  ( ?:/s *      ( ?: and|or )/s *      [/w. ` ]+ /s *  ( ?: [ <>= ] { 1, 2 }|Between|Like|In ) /s *  ( ?:/w+|  ( ?P <quote_j > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_j ) | / ( /s *       ( ?: [/w. ` ]+| ( ?P <quote_k > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_k ) )       ( ?:,/s *  ( ?: [/w. ` ]+| ( ?P <quote_l > [ '"])(?://[' "]|[^'" ] ) *? ( ?P=quote_l ) ) ) * /s *  / )  )  /s * ) *

请看匹配效果图：

算术表达式

我记得刚才好像提到“为简单起见，这里就不考虑算术表达式了”。不过，解析算术表达式是个非常有趣的话题，只要是算法书，都会提及（中缀表达式转前缀表达式，诸如此类）。当然它也可以使用正则表达式来描述。

其主要思路是：

1 2 3

expr -> expr + term | expr - term | term term -> term * factor | term / factor | factor factor -> digit | ( expr )

以及代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

#!/usr/bin/python # -*- coding: utf-8 -*- # #author:         rex #blog:           http://iregex.org #filename        math.py #created:        2010-08-07 00:44 integer=r "/d+" factor=r "%s (?:/. %s)?"  %  (integer, integer ) term=  "%s(?: /s* [*/] /s* %s)* "  %  (factor, factor ) expr=  "(?x) %s(?: /s* [+-] /s* %s)* "  %  (term, term ) print expr

看一下它的输出和匹配效果图：

小贴士

• 如果不用复杂的正则式就能解决问题，一定不要用。
• 如果必须写比较复杂的正则式，请参考以下原则。
• 从大处着眼，先理解待解析的文本的整体结构是什么样子，划分为小部件；
• 从细处着手，试图实现每一个小部件，力求每一部分都是完整、坚固的，且放在全局也不会冲突。
• 合理组装这些部件。
• 分而治之的好处：只有某个模块出错，其它部分没错时，可以迅速定位错误，消除BUG。
• 谨慎使用捕获括号，除非你知道自己在做什么，知道它会有什么副作用，以及是否有可行的解决措施。对于短小的正则式来说，一两个多余的括号是无伤大雅的；但是对于复杂的正则式来说，一对多余的括号可能就是致命的错误。
• 尽量使用free-space模式。此时你可以自由地添加注释和空白字符，以便提高正则表达式的可读性。