ES6-正则的扩展-u、y修饰符

u修饰符

ES6 对正则表达式添加了 u 修饰符，含义为 "Unicode模式"，用来正确处理大于 \uFFFF 的Unicode字符。也就是说，会正确处理四个字符的 UTF-16 编码。

 

/^\uD83D/.test('\uD83D\uDC2A') // true
/^\uD83D/u.test('\uD83D\uDC2A') // false

上面代码中，\uD83D\uDC2A 是一个四字节的UTF-16 编码，代表一个字符，但是，ES5不支持四个字节的 UTF-16 编码，会将其识别为两个字符，导致第一行代码结果为 true ，加了u修饰符以后，ES6就会识别其为一个字符，所以第二行代码结果为false。

 

一旦加上 u 修饰符号，就会修改下面这些正则表达式的行为。

1）点字符

点（.）字符在正则表达式中，含义是除了换行符以外的任意单个字符。对于码点大于 oxFFFF 的 Unicode 字符，点字符不能识别，必须加上 u 修饰符。

 

var s = '吉';

/^.$/.test(s) // false
/^.$/u.test(s) // true

上面代码表示，如果不添加 u 修饰符，正则表达式就会认为字符串为两个字符，从而匹配失败。

 

2） Unicode 字符表示法

ES6 新增了使用大括号表示Unicode字符，这种表示法在正则表达式中必须加上 u 修饰符，才能识别当中的大括号，否则会被解读为量词。

 

/\u{61}/.test('a') // false
/\u{61}/u.test('a') // true
/\u{20BB7}/u.test('吉') // true

上面代码表示，如果不加 u 修饰符，正则表达式无法识别 \u{61} 这种表示法，只会认为这匹配61个连续的u。

 

3）量词

使用 u 修饰符后，所有量词都会正确识别码点大于 oxFFFF 的Unicode 字符。

 

/a{2}/.test('aa') // true
/a{2}/u.test('aa') // true
/吉{2}/.test('吉吉') // false
/吉{2}/u.test('吉吉') // true

4）预定义模式

 

u 修饰符也影响到预定义模式，能否正确识别码点大于 oxFFFF 的Unicode字符。

 

/^\S$/.test('吉') // false
/^\S$/u.test('吉') // true

上面代码的 \s 是预定义模式，匹配所有不是空格的字符，只有加了u修饰符，才能正确匹配码点大于 oxFFFF 的 Unicode 字符。
利用这一点可以写出一个正确返回字符串长度的函数。

 

 

function codePointLength(text) {
  var result = text.match(/[\s\S]/gu);
  return result ? result.length : 0;
}

var s = '吉吉';

s.length // 4
codePointLength(s) // 2

5） i 修饰符

 

有些Unicode编码不同，但是字形很相近，比如，\u004B与 \u212A 都是大写的 K。

 

/[a-z]/i.test('\u212A') // false
/[a-z]/iu.test('\u212A') // true

上面代码中，不加 u 修饰符，就无法识别非常规的 k 字符。

 

 

y 修饰符
除了u 修饰符，ES6还为正则表达式添加了 y 修饰符，叫做“粘连”修饰符。

y 修饰符的作用与 g 修饰符类似，也是全局匹配，后一次匹配都从上一次匹配成功的下一个位置开始。不同之处在于，g 修饰符只要剩余位置中存在匹配就可，而 y 修饰符确保匹配必须从剩余的第一个位置开始，这也就是“粘连”的含义。

 

var s = 'aaa_aa_a';
var r1 = /a+/g;
var r2 = /a+/y;

console.log(r1.exec(s)) //["aaa", index: 0, input: "aaa_aa_a"]
console.log(r2.exec(s)) //["aaa", index: 0, input: "aaa_aa_a"]
console.log(r1.exec(s)) //["aa", index: 4, input: "aaa_aa_a"]
console.log(r2.exec(s)) //null
console.log(r1.exec(s)) //["a", index: 7, input: "aaa_aa_a"]
console.log(r2.exec(s)) //["aaa", index: 0, input: "aaa_aa_a"]

上面代码有两个正则表达式，一个使用 g 修饰符，另一个使用 y 修饰符，这两个正则表达式各执行了三次，第一次执行的时候，两者行为相同，剩余字符串都是 _aa_a。由于 g 修饰符没有位置要求，所以第二次执行会返回结果，而 y 修饰符要求匹配必须从头部开始，所以返回null。

 

如果改一下正则表达式，保证每次都能头部匹配，y修饰符就会返回结果了。

 

var s = 'aaa_aa_a';
var r1 = /a+/g;
var r2 = /a+/y;

console.log(r1.exec(s)) //["aaa", index: 0, input: "aaa_aa_a"]
console.log(r2.exec(s)) //["aaa_", index: 0, input: "aaa_aa_a"]
console.log(r1.exec(s)) //["aa", index: 4, input: "aaa_aa_a"]
console.log(r2.exec(s)) //["aa_", index: 4, input: "aaa_aa_a"]
console.log(r1.exec(s)) //["a", index: 7, input: "aaa_aa_a"]
console.log(r2.exec(s)) //null

上面代码每次匹配，都是从剩余字符串的头部开始。

 

使用 lastIndex 属性，可以更好地说明 y 修饰符。

 

const REGEX = /a/y;

// 指定从2号位置开始匹配
REGEX.lastIndex = 2;

// 不是粘连，匹配失败
REGEX.exec('aya') // null

// 指定从3号位置开始匹配
REGEX.lastIndex = 3;

// 3号位置是粘连，匹配成功
const match = REGEX.exec('xaxa');
match.index // 3
REGEX.lastIndex // 4

实际上，y 修饰符号隐含了头部匹配的标识 ^。

 

 

/b/y.exec('aba')
// null

上面代码由与不能保证头部匹配，所以返回 null ，y修饰符的设计本意，就是让头部匹配的标识 ^ 在全局匹配中都有效。

 

在 split 方法中使用 y 修饰符，原字符串必须以分隔符开头。这也意味着，只要匹配成功，数组的第一个成员肯定是空字符串。

 

'x##'.split(/#/y)
//["x", "", ""]

'##x'.split(/#/y)
// ["", "", "x"]

后续的分隔符只有紧跟前面的分隔符，才会被识别。

 

'#x#'.split(/#/y)
// ["", "x", ""]

'##'.split(/#/y)
// ["", "", ""]

下面是字符串对象的 replace 方法例子

 

const REGEX = /a/gy;
'aaxa'.replace(REGEX, '-') // '--xa'

上面代码中，最后一个 a 因为不是出现在下一次匹配的头部，所以不会被替换。

 

单单一个 y 修饰符对，math 方法，只能返回第一个匹配，必须与 g 修饰符联用，才能返回所以匹配。

 

'a1a2a3'.match(/a\d/y) // ["a1"]
'a1a2a3'.match(/a\d/gy) // ["a1", "a2", "a3"]

y 修饰符的一个应用，是从字符串提取 token（词元），y 修饰符确保了匹配之间不会漏掉的字符。

 

 

const TOKEN_Y = /\s*(\+|[0-9]+)\s*/y;
const TOKEN_G  = /\s*(\+|[0-9]+)\s*/g;

tokenize(TOKEN_Y, '3 + 4')
// [ '3', '+', '4' ]
tokenize(TOKEN_G, '3 + 4')
// [ '3', '+', '4' ]

function tokenize(TOKEN_REGEX, str) {
  let result = [];
  let match;
  while (match = TOKEN_REGEX.exec(str)) {
    result.push(match[1]);
  }
  return result;
}

上面代码中，如果字符串里面没有非法字符，y修饰符与g修饰符的提取结果是一样的。但是，一旦出现非法字符，两者的行为就不一样了。

 

tokenize(TOKEN_Y, '3x + 4')
// [ '3' ]
tokenize(TOKEN_G, '3x + 4')
// [ '3', '+', '4' ]

上面代码中，g修饰符会忽略非法字符，而y修饰符不会，这样就很容易发现错误。