细说正则表达式之断言

最近遇到一个问题: 截取一篇文章中包含指定关键词的一句话(即前后可能有逗号或者句号分割)。方法有很多，单从实现的角度甚至可以用字符串的split方法先按照逗号和句号分割文章再遍历各个字符串检索关键词，但是实在是不太优雅^_^。当时脑中的第一反应就是正则表达式，那进入正题之前就先用这道小题热个身。
(注: 本文代码为C#代码)

假设要检索的关键词是keyword，则正则表达式为:
(^([^,\.])*?|(,|\.)[^,\.]*?)keyword.*?((,|\.)|$)
应该没什么问题吧。大概就是如果从头匹配，则keyword前需要匹配不含,.的任意字符；如果不是从头匹配的则keyword前必须有一个,或者.且keyword和该符号之间不能再包含,.。后半部分的意思是一样的就不多说了。
(注:\.为C#中匹配半角句号的写法；*?为非贪婪匹配)

---

进入正题

话说这道题貌似就到此为止了，那跟断言有什么关系呢？各位可以试一下，用这个方法匹配的结果前后基本都会带上逗号句号，也就是说虽然我们只要关键句，但是正则表达式把符号也匹配进来了。或许有人说替换一下就好啦，但是在这里我要强力推荐使用断言。理由有二，先说第一点: 断言更优雅简洁，逼格更高^_^

好啦，先让我们先来看看断言在这道题的写法吧。
(^[^,\.]*|(?<=,|\.)[^,\.]*?)keyword.*?(?=(,|\.)|$)

吼了，看看和上面的有什么不同吧。总共只有两部分：(?<=,|\.)以及(?=(,|\.)，很像似不似。那为什么这两句话能达到我们想要的效果呢，先岔开话题说一下断言的分类：

(?=pattern)  零宽正向先行断言(zero-width positive lookahead assertion) 
(?!pattern)  零宽负向先行断言(zero-width negative lookahead assertion) 
(?<=pattern) 零宽正向后行断言(zero-width positive lookbehind assertion) 
(?<!pattern) 零宽负向后行断言(zero-width negative lookbehind assertion)

解释一下：

(?=pattern)  要求当前位置开始向后的字符串能匹配pattern。比如hello(?=world)匹配helloworld能够成功
(?!pattern)  要求当前位置开始向后的字符串不能匹配pattern。比如hello(?!world)匹配helloworld则失败
(?<=pattern) 要求当前位置开始向前的字符串能匹配pattern。比如(?<=hello)world匹配helloworld能够成功
(?<!pattern) 要求当前位置开始向前的字符串不能匹配pattern。比如(?<!hello)world匹配helloworld则失败

而除了对于前后字符串的限定之外，有没有注意到他们都是零宽的，换句话说断言只是条件，本身并不占位匹配。那么回头看看上面的小题。
我将前后部分的(,|\.)分别用(?<=,|\.)以及(?=(,|\.)进行替代。相当于把原本的匹配行为换成了条件判断行为: 前后包含逗号或句号则结果为true。这样一来，最终匹配结果就不会包含前后的符号了^O^ 。

---

那说到这里就引出了断言的第二点好处: 断言的条件判断可以允许我们匹配不包含指定关键词的句子↖(^ω^)↗
匹配包含指定关键词的正则表达式都见得多了，那不包含指定关键词呢。一般方法基本实现不了，或者比较麻烦，但是用断言的话就容易多了。借用网上的例子:

例如判断一句话中包含this，但不包含that。
包含this比较好办，一句话中不包含that，可以认为这句话中每个字符的前面都不是that或每个字符的后面都不是that。正则表达式如下：
^((?<!that).)*this((?<!that).)*$ 或 ^(.(?!that))*this(.(?!that))*$
对于”this is the case”这句话，两个表达式都能够匹配成功，而”note that this is the case”都匹配失败。
在一般情况下，这两个表达式基本上都能够满足要求了。考虑极端情况，如一句话以that开头、以that结尾、that和this连在一起时，上述表达式就可能不胜任了。
如”note thatthis is the case”或者”this is the case, not that”或者”thatthis is the case”等。
只要灵活运用这几个断言，就很容易解决：
^(.(?<!that))*this(.(?<!that))*$
^(.(?<!that))*this((?!that).)*$
^((?!that).)*this(.(?<!that))*$
^((?!that).)*this((?!that).)*$
这4个正则表达式测试上述的几句话，结果都能够满足要求。

那么上面最后的几个正则表达式为什么能够成功呢，或者有人说这么复杂怎么记啊。其实很简单，上面四个表达式都是一个原理。先看看为什么^((?<!that).)*this((?<!that).)*$无法通过”note thatthis is the case”这句话的测试，因为^((?<!that).)*this只会判断每个字符的前面都不是that，但是由于判断时没有包括本字符，所以会出现判断thatthis这样的字符串时出错，倘若换成thatQthis就又没有问题了。包括^(.(?!that))*this(.(?!that))*$ 这个正则表达式也有类似的问题，就是以that开头和thisthat的模式就会出错。解决的思路就是把当前字符串也考虑在内，而这也是上面那四个正则表达式之所以没问题的原因啦

。

---

OK，断言的讲解到此为止~鞠躬~~