1 概述
平衡组是微软在.NET中提出的一个概念,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。.NET是目前对正则支持最完备、功能最强大的语言平台之一,而平衡组正是其强大功能的外在表现,也是比较实用的文本处理功能,目前只有.NET支持,相信后续其它语言会提供支持。
平衡组可以有狭义和广义两种定义,狭义平衡组指.NET中定义的(?<Close-Open>Expression)语法,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。
正是由于平衡组功能的强大,所以带来了一些神秘色彩,其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。
2 平衡组匹配原理
2.1 预备知识
平衡组通常是由量词,分支结构,命名捕获组,狭义平衡组,条件判断结构组成的,量词和分支结构这里不做介绍,这里只对命名捕获组,狭义平衡组和条件判断结构做下说明。
2.1.1 命名捕获组
语法:(?<name>Expression)
(?’name’Expression)
以上两种写法在..NET中是等价的,都是将“Expression”子表达式匹配到的内容,保存到以“name”命名的组里,以供后续引用。
对于命名捕获组的应用,这里不做重点介绍,只是需要澄清一点,平时使用捕获组时,一般反向引用或Group对象使用得比较多,可能会有一种误解,那就是捕获组只保留一个匹配结果,即使一个捕获组可以先后匹配多个子串,也只保留最后一个匹配到的子串。但事实是这样吗?
举例来说:
源字符串:abcdefghijkl
正则表达式:(?<chars>[a-z]{2})+
命名捕获组chars最终捕获的是什么?
string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果:" + m.Value + "/n";
richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "/n";
}
//输出
匹配结果:abcdefghijkl
Group:kl
从m.Groups["chars"].Value的输出上看,似乎确实是只保留了一个匹配内容,但却忽略了一个事实,Group实际上是Capture的一个集合
string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})+");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果:" + m.Value + "/n";
richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "/n--------------/n";
foreach (Capture c in m.Groups["chars"].Captures)
{
richTextBox2.Text += "Capture:" + c + "/n";
}
}
//输出
匹配结果:abcdefghijkl
Group:kl
--------------
Capture:ab
Capture:cd
Capture:ef
Capture:gh
Capture:ij
Capture:kl
平时应用时可能会忽略这一点,因为很少遇到一个捕获组先后匹配多个子串的情况,而在一个捕获组只匹配一个子串时,Group集合中就只有一个Capture元素,所以内容是一样的。
string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[a-z]{2})");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += "匹配结果:" + m.Value + "/n";
richTextBox2.Text += "Group:" + m.Groups["chars"].Value + "/n--------------/n";
foreach (Capture c in m.Groups["chars"].Captures)
{
richTextBox2.Text += "Capture:" + c + "/n";
}
}
//输出
匹配结果:ab
Group:ab
--------------
Capture:ab
捕获组保存的是一个集合,而不只是一个元素,这一知识点对于理解平衡组的匹配原理是有帮助的。
2.1.2 狭义平衡组
语法:(?<Close-Open>Expression)
其中“Close”是命名捕获组的组名,也就是“(?<name>Expression)”中的“name”,可以省略,通常应用时并不关注,所以一般都是省略的,写作“(?<-Open>Expression)”。作用就是当此处的“Expression”子表达式匹配成功时,则将最近匹配成功到的命名为“Open”组出栈,如果此前不存在匹配成功的“Open”组,那么就报告“(?<-Open>Expression)”匹配失败,整个表达式在这一位置也是匹配失败的。
2.1.3 条件判断结构
语法:(?(Expression)yes|no)
(?(name)yes|no)
对于“(?(Expression)yes|no)”,它是“(?(?=Expression)yes|no)”的简写形式,相当于三元运算符
(?=Expression) ? yes : no
表示如果子表达式“(?=Expression)”匹配成功,则匹配“yes”子表达式,否则匹配“no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同,为避免混淆,可以采用“(?(?=Expression)yes|no)”方式显示声明“Expression”为子表达式,而不是捕获组名。
“(?=Expression)”验证当前位置右侧是否能够匹配“Expression”,属于顺序环视结构,是零宽度的,所以它只参与判断,即使匹配成功,也不会占有字符。
举例来说:
源字符串:abc
正则表达式:(?(?=a)/w{2}|/w)
当前位置右侧如果是字符“a” ,则匹配两个“/w”,否则匹配一个“/w”。
string test = "abc";
Regex reg = new Regex(@"(?(?=a)/w{2}|/w)");
MatchCollection mc = reg.Matches(test);
foreach(Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
ab
c
对于“(?(name)yes|no)”,如果命名捕获组“name”有捕获,则匹配“yes”子表达式,否则匹配“no”子表达式。这一语法最典型的一种应用是平衡组。
当然,以上两种语法中,“yes”和“no都是可以省略的,但同一时间只能省略一个,不能一起省略。平衡组的应用中就是省略了“no”子表达式。
2.2 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
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg = new Regex(@"/(((?<Open>/()|(?<-Open>/))|[^()])*(?(Open)(?!))/)");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
下面来考察一下这个正则,为了阅读方便,写成宽松模式。
Regex reg = new Regex(@"/( #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
", RegexOptions.IgnorePatternWhitespace);
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
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
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(以下匹配过程,如果觉得难以理解,可以暂时跳过,先学会如何使用,再研究为什么可以这样用吧)
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:
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。
3 平衡组的应用及优化
平衡组提供了嵌套结构的匹配功能,这一创新是很让人兴奋的,因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大,自然也带来了实现的复杂,正则书写得不好,可能会存在效率陷阱,甚至导致程序崩溃,这里介绍一些基本的优化方法。
3.1 单字符嵌套结构平衡组优化
单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构,这种嵌套相对来说比较简单,优化起来也比较容易。先从上面提到的例子开始。
3.1.1 贪婪与非贪婪模式
上面给的例子是一种做了部分优化的常规写法,算作是版本1吧,它做了哪些优化呢,先来看下完全没有做过优化的版本0吧。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg0 = new Regex(@"/( #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
. #任意字符
)*? #以上子串出现0次或任意多次,非贪婪模式
(?(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
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg0.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
接下来对比一下版本1。
Regex reg1 = new Regex(@"/( #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
", RegexOptions.IgnorePatternWhitespace);
看到区别了吗?版本1对版本0的改进主要有两个地方,一个是用“[^()]+”来代替“.”,另一个是用“*”来代替“*?”,也就是用贪婪模式来代替非贪婪模式。
如果使用了小数点“.”,那么为什么不能在分组内使用“.+”,后面又为什么不能用“*”呢?只要在上面的正则中使用并运行一下代码就可以知道了,匹配的结果是
(b*(c+d))/e+f-(g/(h-i))
而不是
(b*(c+d))
(g/(h-i))
因为无论是分组内使用“.+”还是后面使用“*”,都是贪婪模式,所以小数点会一直匹配下去,直到匹配到字符串的结束符才会停止,然后进行回溯匹配。为了取得正确结果,必须使用非贪婪模式“*?”。
这就类似于用“/(.+/)”去匹配“(abc)def(ghi)”一样,得到的结果是“(abc)def(ghi)”,而不是通常我们希望的“(abc)”和“(ghi)”。这时要用非贪婪模式“/(.+?/)”来得到正确的结果。
贪婪模式和非贪婪模式在匹配失败时,回溯的次数基本上是一样的,效率上没有多大区别,但是在匹配成功时,贪婪模式比非贪婪模式回溯的次数要少得多,效率要高得多。
对于“/(.+/)”如果既要得到正确的匹配结果,又要提高匹配效率,可以使用排除型捕获组+贪婪模式的方式,即“/([^()]+/)”。
版本0的平衡组也是一样,可以使用排除字符组“[^()]+”和贪婪模式“*”结合的方式,提高匹配效率,得到的就是版本1的平衡组。
相对于版本0,或许你会认为版本1的写法是很自然的,但是如果不了解这样一个演进过程,那么在字符序列嵌套结构平衡组优化时,就不会是那么自然的一件事了。
3.1.2 分支结构
接下来就是分支结构的优化。
语法:(Exp1|Exp2|Exp3)
因为分支结构的匹配规则是,从左向右尝试匹配,当左侧分支匹配成功时,就不再向右尝试。所以使用分支结构时,可以根据以下两条规则进行优化:
1. 尽量抽象出每个分支中的公共的部分,使最后的表达式中,每个分支共公部分尽可能的少,比如(this|that)的匹配效率是没有th(is|at)高的。
2. 在不影响匹配结果的情况下,把出现概率高的分支放在左侧,出现概率低的分支放右侧。
对于本例中的分支结构,已经没有公共部分,符合第一条规则,再看下第二条规则,开始标记“(”和结束标记“)”出现的概率基本上是一样的,而除“(”和“)”之外的字符出现的概率是比“(”和“)”出现的概率高的,所以应该把“[^()]+”分支放在左侧。
版本1由于采用了排除型捕获组,所以这三个分支没有包含关系,左右顺序对结果不会造成影响,可以调整顺序。因为这是已经经过优化的了,而如果是版本0,由“.”对“(”和“)”有包含关系,就不能调整顺序了。
在版本1基础上对分支结构进行优化后,就得到版本2。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg2 = new Regex(@"/( #普通字符“(”
( #分组构造,用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
(?<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
)* #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
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg2.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
3.1.3 捕获组
这里面主要涉及到了两个捕获组“(?<Open>/()”和“(?<-Open>/))”,而在平衡组的应用中,我是只关心它是否匹配了,而对于匹配到的内容是不关心的。对于这样一种需求,可以用以下方式实现
/( (?<Open>)
/)(?<-Open>)
“(?<Open>)”和“(?<-Open>)”这两种方式只是使用了命名捕获组,捕获的是一个位置,它总是能够匹配成功的,而匹配的内容是空的,分配的内存空间是固定的,可以有效的节省资源,这在单字符嵌套结构中并不明显,但是在字符序列嵌套结构中就比较明显了。
由于捕获组是直接跟在开始或结束标记之后的,所以只要开始或结束标记匹配成功,命名捕获组自然就会匹配成功,对于功能是没有任何影响的。
那么把标记和捕获组调整一下顺序是否可以呢?从功能上来讲,是可以的,但是匹配的流程上会有所不同,先是捕获组匹配成功,入栈,然后再匹配标记,成功则继续匹配,不成功则该分支匹配失败,进行回溯,出栈,继续尝试下一分支。这样将增加许多入栈和出栈的操作,对匹配效率是有影响的,所以这种方式并不可取。
在版本2基础上对捕获组进行优化后,就得到版本3。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg3 = new Regex(@"/( #普通字符“(”
( #分组构造,用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
/( (?<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
)* #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
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg3.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
3.1.4 固化分组
看到有些人使用平衡组时用到了固化分组,但并不是所有人都明白固化分组的作用。
语法:(?>Expression)
用“/([^()]+/)”去匹配“(abc)”是可以匹配成功的,因为不用回溯,相对于“/(.+?/)”这种非贪婪模式,效率上有所提升,但是对于匹配失败的情况又如何呢?
源字符串:(abc
正则表达式:/([^()]+/)
匹配中间过程这里不再详述,可以参考[url=http://blog.csdn.net/lxcnn/archive/2009/06/28/4304651.aspx]NFA引擎匹配原理[/url]。
当“[^()]+”匹配到结束位置时,控制权交给“/)”,匹配失败,进行回溯,而由于前面使用了“[^()]+”这种排除型字符组,所以可供回溯的位置,不会存在可以匹配“/)”的情况,这时候的回溯是完全没有意义的,只会浪费时间,但是由于传统NFA引擎的特点,必须回溯所有可能之后才会报告匹配失败。
这时可以用固化分组来进行优化,一旦占有字符,就不再释放。也就是一旦占有,就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。
优化后的正则表达式:/((?>[^()]+)/)
需要说明的一点,固化分组要作用于量词修饰的子表达式才有意义,对于“(?>abc)”由于内容是固定的,根本就不会产生回溯,所以使用固化分组是没有意义的。
对于平衡组的应用也是一样,如果分组构造中没有量词,那么使用固化分组就是没有意义的,比如版本0
Regex reg = new Regex(@"/((?>(?<Open>/()|(?<-Open>/))|.)*?(?(Open)(?!))/)");
这种场景下使用固化分组就是没有意义的。
在版本3基础上对捕获组进行优化后,就得到版本4。
string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";
Regex reg4 = new Regex(@"/( #普通字符“(”
(?> #分组构造,用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
/( (?<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
)* #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
", RegexOptions.IgnorePatternWhitespace);
MatchCollection mc = reg4.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
那么对于分组构造外层的“*”修饰的子表达式是否可以使用固化分组呢?答案是否定的,因为平衡组通常是要进行回溯才能最终匹配成功的,所以如果使用固化分组,不记录回溯可能的话,将无法得到正确结果。
3.1.5 进一步优化讨论
那么现在是不是已经完成优化了呢?是的,通常可以这么认为。在一般应用当中,这已经是从正则层面上来说,最优方案了。
但是在有些场景下,由于Compiled模式可以有效提高分支结构的匹配效率,所以对于源字符串比较复杂的情况,牺牲一些编译时间和内存,还是可以有效提高匹配效率的。
Regex reg5 = new Regex(@"/( #普通字符“(”
(?> #分组构造,用来限定量词“*”修饰范围
[^()]+ #非括弧的其它任意字符
| #分支结构
/( (?<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
)* #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
", RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled);
MatchCollection mc = reg5.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n";
}
//输出
(b*(c+d))
(g/(h-i))
并不是所有应用场景都适合使用Compiled模式,比如上面这个例子里的源字符串如果是“a+(b*(c+d))/e+f-(g/(h-i))*j”,本身是非常简单的,使用Compiled模式将是得不偿失的。什么时候使用,要根据具体问题具体分析。
3.2 字符序列嵌套结构平衡组应用
字符序列嵌套结构的匹配,典型的应用就是html标签的提取。由于上面详细说明了单字符嵌套结构的优化过程,这里主要讲应用场景,个别涉及到优化的地方再讨论。
字符序列嵌套结构的匹配,举例来说,取div标签。源字符串如下:
<div id="0">
0
</div>
<div id="1">
1
<div id="2">
2
</div>
</div>
3.2.1 提取最外层嵌套结构
提取最外层div标签,分析过程及构造方式与单字符嵌套结构差不多,只是捕获组等内容稍稍复杂点,先给出实现,再进行解释。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?isx) #匹配模式,忽略大小写,“.”匹配任意字符
<div[^>]*> #开始标记“<div...>”
(?> #分组构造,用来限定量词“*”修饰范围
<div[^>]*> (?<Open>) #命名捕获组,遇到开始标记,入栈,Open计数加1
| #分支结构
</div> (?<-Open>) #狭义平衡组,遇到结束标记,出栈,Open计数减1
| #分支结构
(?:(?!</?div/b).)* #右侧不为开始或结束标记的任意字符
)* #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
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n";
}
//输出
<div id="0">
0
</div>
--------------------
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
在单字符嵌套结构中,使用排除型字符组“[^()]+”,与分组构造外的匹配优先量词“*” 达到贪婪模式匹配效果。在字符序列嵌套结构中,要排除的是一个子串,而不是简单的几个无序字符,所以不能使用排除型字符组,此时需要用到顺序否定环视来达到这一目的。“(?:(?!</?div/b).)*”表示的是所在位置右侧不是“<div…>”或“</div>”的字符,这样的字符重复0次或任意多次。关于环视的细节,可以参考 [url=http://blog.csdn.net/lxcnn/archive/2009/06/28/4304754.aspx]正则基础之——环视[/url]
而由于这种否定环视包含两种状态,所以在与固化分组结合使用时,会与后面的开始或结束标记形成包含关系,所以与固化分组一起使用时,不能放在左侧,只能放在右侧。
3.2.2 根据id提取div嵌套标签
根据id提取div时,改变的只是最外层div的结构,对内分组构造内部结构没有影响。但是因为id是变化的,所以正则需要动态生成。下面给出实现,源字符串和输出结果由于比较影响篇幅,就不再给出了。
string id = Regex.Escape(textBox1.Text); //动态获取id
Regex reg = new Regex(@"(?isx)
<div(?:(?!id=).)*id=(['""]?)" + id + @"/1[^>]*> #开始标记“<div...>”
(?> #分组构造,用来限定量词“*”修饰范围
<div[^>]*> (?<Open>) #命名捕获组,遇到开始标记,入栈,Open计数加1
| #分支结构
</div> (?<-Open>) #狭义平衡组,遇到结束标记,出栈,Open计数减1
| #分支结构
(?:(?!</?div/b).)* #右侧不为开始或结束标记的任意字符
)* #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
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n";
}
在动态生成正则表达式时,由于输入的字符串中可能存在正则中有特殊意义的元字符,如果不进行转义的话,正则解析时会抛出异常。所以用Regex.Escape(string str)来对动态输入的字符串进行转义处理,确保不会因动态输入的内容而抛异常。比如上面的例子,如果id不进行转义处理时,输入“abc(def”就会抛“) 不足”这样的异常。
3.2.3 根据id提取任意嵌套标签
再扩展一下,根据id属性取任意嵌套标签。实现如下,具体实现细节和讨论参考 [url=http://topic.csdn.net/u/20090415/16/5344e4d7-064f-431f-8d1e-b52a3afc7e7b.html]就是通过id获得一个html标签块[/url]。以下正则相对于帖子对个别细节做了调整。
string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" };
string pattern = @"(?is)<([a-z]+)(?:(?!/bid/b)[^<>])*id=([""']?){0}/2[^>]*>(?></1[^>]*>(?<o>)|<//1>(?<-o>)|(?:(?!</?/1).)*)*(?(o)(?!))<//1>";
foreach (string id in idList)
{
Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(id)));
Console.WriteLine("--------begin {0}--------", id);
if (match.Success)
Console.WriteLine(match.Value);
else
Console.WriteLine("o(╯□╰)o");
Console.WriteLine("--------end {0}--------", id);
}
Console.ReadLine();
3.2.4 根据标签取外层嵌套结构
根据动态输入的tag,取相应的最外层的嵌套标签,实现如下。
string html = @"
<html>
<body>
<div id=""div1"">
<div id=""div2"" style=""background:Red;"">
<div id=""div3"">
<table id=""table1"">
<tr>
<td>
<div id=""div4"" style=""width:100px""></div>
</td>
</tr>
</table>
</div>
</div>
<div id=div5>
<a href=""http://www.csdn.net"">csdn</a>
</div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] tagList = { "html", "body", "div", "table", "abc(def" };
string pattern = @"(?isx)
<({0})/b[^>]*> #开始标记“<tag...>”
(?> #分组构造,用来限定量词“*”修饰范围
</1[^>]*> (?<Open>) #命名捕获组,遇到开始标记,入栈,Open计数加1
| #分支结构
<//1> (?<-Open>) #狭义平衡组,遇到结束标记,出栈,Open计数减1
| #分支结构
(?:(?!</?/1/b).)* #右侧不为开始或结束标记的任意字符
)* #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
<//1> #结束标记“</tag>”
";
foreach (string tag in tagList)
{
Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)));
Console.WriteLine("--------begin {0}--------", tag);
if (match.Success)
Console.WriteLine(match.Value);
else
Console.WriteLine("o(╯□╰)o");
Console.WriteLine("--------end {0}--------", tag);
}
Console.ReadLine();
3.2.5 条件判断结构扩展应用
条件判断结构的作用不只限于验证开始和结束标记是否配对,根据需求的不同,还可以有其它一些应用。比如在匹配div标签时,只取内部“存在”嵌套的外层标签。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?isx) #匹配模式,忽略大小写,“.”匹配任意字符
<div[^>]*> #开始标记“<div...>”
(?> #分组构造,用来限定量词“*”修饰范围
<div[^>]*> (?<Open>)(?<Mask>) #遇到开始标记,入栈,Open和Mask计数各加1
| #分支结构
</div> (?<-Open>) #遇到结束标记,出栈,Open计数减1
| #分支结构
(?:(?!</?div/b).)* #右侧不为开始或结束标记的任意字符
)* #以上子串出现0次或任意多次
(?(Open)(?!))(?(Mask)|(?!)) #'OPEN'保证标记配对,'Mask'保证内部有嵌套
</div> #结束标记“</div>”
");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n";
}
//输出
<div id="1">
1
<div id="2">
2
</div>
</div>
--------------------
命名捕获组“(?<Mask>)”只入栈不出栈,如果内部有嵌套,则“(?<Mask>)”一定有匹配,此时匹配“(?(Mask)yes|no)”中的“yes”子表达式,也就是什么都不做;如果内部没有嵌套,则“(?<Mask>)”没有匹配,此时匹配“(?(Mask)yes|no)”中的“no”子表达式,也就是报告匹配失败。这里省略的是“(?(Mask)yes|no)”中的“yes”子表达式。
对于匹配内部没有嵌套的标签,也就是最内层标签,可以使用上面的正则表达式,将“(?(Mask)yes|no)”中的“yes”子表达式设为“(?!)”,将“yes”子表达式省略。不过这样做有些浪费,完全可以用顺序否定环视来实现这一需求。
string test = @"<div id=""0"">
0
</div>
<div id=""1"">
1
<div id=""2"">
2
</div>
</div>";
Regex reg = new Regex(@"(?is)<div[^>]*>(?:(?!</?div/b).)*</div>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "/n--------------------/n";
}
//输出
<div id="0">
0
</div>
--------------------
<div id="2">
2
</div>
--------------------
4 平衡组应用范围探讨
平衡组可以用来匹配嵌套结构,这是一个很大的创新,但是否就认为平衡组适合用来解决任何嵌套问题呢?事实当然不会是这样。
比如下面这个需求,参考 [url=http://topic.csdn.net/u/20090730/16/209a2d37-eea8-4188-b0b1-22c86553c2f0.html]请问一个正则表达式[/url]:
源字符串:1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7
要求输出:
Sum(1,Sum(2, Sum(3), 4), 5)
Sum(2, Sum(3), 4)
Sum(3)
Sum(9,Sum(8, Sum(7), 6), 5)
Sum(8, Sum(7), 6)
Sum(7)
这种需求使用平衡组+递归的方式可以实现,实现代码如下:
//递归方法
private void getNesting(string src, Regex reg, List<string> list)
{
MatchCollection mc = reg.Matches(src);
foreach(Match m in mc)
{
list.Add(m.Value);
src = m.Value.Remove(m.Value.Length-1, 1);
if (reg.IsMatch(src))
{
getNesting(src, reg, list);
}
}
}
//调用
string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7";
List<string> list = new List<string>();
Regex reg = new Regex(@"(?i)Sum/((?>[^()]+|/((?<o>)|/)(?<-o>))*(?(o)(?!))/)", RegexOptions.Compiled);
getNesting(test, reg, list);
foreach (string s in list)
{
richTextBox2.Text += s + "/n";
}
平衡组虽然可以实现要求,但除非你对效率没有要求,否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的,在实现过程中做了很多额外的尝试。效率上自然要大打折扣。
类似这样的需求,可以自己写有穷自动机来实现,毕竟正则也只不过是一种有穷自动机的实现而已。
string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 ";
StringBuilder nesting = new StringBuilder(64);
List<StringBuilder> list = new List<StringBuilder>();
List<string> groups = new List<string>();
int level = 0;
int state = 0;
foreach (char c in test)
{
if ((c == 'S' || c == 's') && state == 0)
{
state = 1;
nesting.Append(c);
}
else if ((c == 'U' || c == 'u') && state == 1)
{
state = 2;
nesting.Append(c);
}
else if ((c == 'M' || c == 'm') && state == 2)
{
state = 3;
nesting.Append(c);
}
else if (c == '(' && state == 3)
{
state = 0;
level++;
}
else
{
state = 0;
nesting = new StringBuilder(64);
}
if (c == ')')
{
if (level > 0)
{
level--;
groups.Add(list[level].ToString() + c);
list.Remove(list[level]);
}
}
if (level > 0)
{
while(list.Count < level)
{
list.Add(nesting);
}
for (int i = 0; i < level; i++)
{
list[i].Append(c);
}
}
}
foreach (string s in groups)
{
Console.WriteLine(s);
}
Console.ReadLine();