正则表达式Lookaround特性的应用

最新推荐文章于 2024-07-27 13:31:57 发布

weixin_34270865

最新推荐文章于 2024-07-27 13:31:57 发布

阅读量125

点赞数

文章标签： java python

原文链接：https://my.oschina.net/mononite/blog/153202

版权

2019独角兽企业重金招聘Python工程师标准>>>

1. 介绍

Lookaround是Perl 5引进的特性，这个特性极大增强了正则表达式的能力，熟练掌握该特性，可以帮助我们运用正则表达式解决更复杂的问题。Lookaround有4种类型，下面的定义取自Java API ：

(?=X) X, via zero-width positive lookahead
(?!X) X, via zero-width negative lookahead
(?<=X) X, via zero-width positive lookbehind
(?<!X) X, via zero-width negative lookbehind

两个方向：Lookahead和Lookbehind，两种逻辑：Positive和Negative。目前多数正则表达式引擎至少都支持Lookahead，后面的例子用Java来演示，这4种类型Java都支持。

上面定义中的"Zero-width"是理解Lookaround特性的关键。常用的"^"、"$"、"\b"等Boundary Characters都是"Zero-width Assertions"，即不消费字符，但判定当前位置是否满足特定的要求，Lookaround实际也是"Zero-width Assertions"。Boundary Characters是系统预定义的"Zero-width Assertions"，而Lookaround可以看做用户自定义的"Zero-width Assertions"。

接下来给几个Lookaround应用的例子。

2. 应用举例

下面的例子除了Lookaround，主要用的都是一些正则表达式的基本特性，只有两个可能不太常见的特性：

Reluctant quantifiers，X*? X, zero or more times
(?:X) X, as a non-capturing group

先了解这两个特性对理解后面的例子是有帮助的。

2.1 匹配否定

匹配全数字的字符串，正则表达式很容易写，"\d+"；但是要匹配不全是数字的字符串，怎么写呢？"\D+"是不行的，因为这样无法匹配包含数字的串；分析一下，只要串里包含非数字就可以，所以可以写成".*\D.*"，还不算困难。

再看个例子，匹配包含连续数字的字符串，可以用".*\d\d.*"来实现；那么怎么匹配不包含连续数字的字符串呢？仔细找找规律，"\d?(\D+\d?)*"似乎可以满足要求，但理解起来就不是那么容易了。

从这两个例子看，模式的否定匹配，跟原模式完全没有关系，也没有规律可寻，不同的情况得具体分析。可以想象，对于更复杂的情况，否定匹配很可能会更难写，甚至写不出来的，或者即使写出来的，也非常难理解。

利用Lookaround特性可以很容易实现否定匹配，上面例子的Java代码如下：

Pattern.compile("(?!\\d+$).+");         // 字符串不全是数字
Pattern.compile("(?!.*?\\d\\d).+");     // 不包含连续数字

在模式的起始处，利用"Negative Lookahead"特性定义一个"Assertion"，写起来很有规律，也非常容易理解。第二个例子里用了"*?"（Reluctant quantifiers），因为它比默认的"*"（Greedy quantifiers）更符合我们的意图，也更高效。

注意：在做match的时候，Java会在模式的前后自动添加"^"和"$"，所以就没必要自己加了；但在有的语言或工具里，需要自己添加"^"和"$"。

2.2 与运算

下面举一个验证密码例子。出于简化的目的，只涉及"\w"中的字符，即[a-zA-Z_0-9]；为了便于演示，也不考虑密码格式的定义是否合理。对密码的格式的要求如下：

长度在8到16之间
至少包含一个小写字母
至少包含一个大写字母
至少包含一个数字或_
开头和结尾不允许是数字
不允许出现连续的_

这些要求看似很复杂，实际上却是异乎寻常地简单，下面是Java代码：

Pattern.compile(
        "(?=.*?[a-z])       # 至少包含小写字母\n"       +
        "(?=.*?[A-Z])       # 至少包含大写字母\n"       +
        "(?=.*?[\\d_])      # 至少包含一个数字或_\n"    +
        "(?!\\d|.*\\d$)     # 开头和结尾不允许是数字\n"  +
        "(?!.*?__)          # 不允许出现连续的_\n"      +
        "\\w{8,16}          # 长度在8到16之间\n",
        Pattern.COMMENTS);

如果熟悉Lookaround，这个正则表达式是非常容易理解的，注释已经说明地很清楚了；当然，上面的这个正则表达式不是唯一的写法，更不是最优的写法。

2.3 反向引用和分组

再看一个例子，怎么判断一个字符串是否包含重复的字符？如果了解反向引用，可以用下面的正则表达式来实现：

Pattern.compile(
        ".*?        # 第一个重复字母前面的部分\n"    +
        "(.)        # 重复字母第一次出现\n"         +
        ".*?        # 重复字母间的部分\n"           +
        "\\1        # 重复字母第二次出现\n"         +
        ".*         # 重复字母第二次出现后的部分\n",
        Pattern.COMMENTS);

即使不加注释，这个正则表达式也不难理解。那么它的否定匹配，判断一个字符串不包含重复字符的正则表达式怎么写呢？仔细考虑了一下，得到下面的写法：

Pattern.compile(
        "(?:            # 非捕获分组，该分组中只包含一个字符\n" +
        "   (.)         # 一个字符的分组\n"                 +
        "   (?!.*?\\1)  # 该字符不能在后面的字符串中出现\n"    +
        ")+             # 所有的字符\n",
        Pattern.COMMENTS);

举这个例子，主要是为了说明Lookaround中可以使用反向引用；不仅如此，在Lookaround中实际可以使用任意合法的正则表达式。而且，在Lookaround中还可以定义分组，虽然Lookaround是"Zero-width Assertions"，但是可以在Lookaround中定义长度不为零的分组。

上面的不包含重复字符的正则表达式，有一个常用的小技巧，"(?:(.)(X))+"，其中"X"是一个Lookaround的表达式，这种对单个字符做约束的方式，在很多情况下都会很用。但是，这种不指定位置，对所有字符都做Lookaround的做法，效率是非常差的，如果在乎性能，一定要避免这种做法。

2.4 Lookaround嵌套

Lookaound表达式里可以是用任意正则表达式，所以我们可以在Lookaround中嵌套Lookaround表达式，这些表达式都是对同一个位置做约束。

比如有这么个字符串"John has 2,000 dollars,Paul has $1,500,George has $1,200,Ringo has $1,600"，现在要在","后添加空格，但是数字里的","后不添加。下面嵌套的Lookaround可以满足要求：

Pattern.compile(
        "(?<=,              # 前面是逗号，即在逗号的后面\n" +
        "   (?!             # Negative Lookahead\n"    +
        "       (?<=\\d,)   # 逗号前面是数字\n"           +
        "       (?=\\d)     # 逗号后面是数字\n"           +
        "   )               # \n"                      +
        ")                  # \n",
        Pattern.COMMENTS)
       .matcher(s)
       .replaceAll(" ");

Lookaround是"Zero-width"，所以找到位置，直接用空格替换就是了。上面的表达式有"与"和"非的关系"，根据德摩根定律, NOT (a AND b) === (NOT a OR NOT b) ，所以也可以用下面的表达式来实现：

Pattern.compile(
        "(?<=,              # 前面是逗号，即在逗号的后面\n" +
        "   (?:             # Positive Lookahead\n"    +
        "       (?<!\\d,)   # 前面不是数字\n"            +
        "       |           # 或\n"                    +
        "       (?!\\d)     # 后面不是数字\n"            +
        "   )               # \n"                      +
        ")                  # \n",
        Pattern.COMMENTS)
       .matcher(s)
       .replaceAll(" ");