了解正则表达式操作符的优先级

转自：http://book.51cto.com/art/201104/259073.htm

第3章 正则表达式

Perl的正则表达式本身就相当于一门语言了，而且这门语言甚至比Perl更复杂。

我们不会用到正则表达式的全部特性，但其中有些特性的确能大大简化日常工作。本章介绍其中较为常用的一部分特性。

尽管为了提升效率，开发人员已经对正则表达式引擎内部作了大量优化，但即使经验丰富的开发人员，也偶尔会写出效率极为低下的匹配和替换表达式。

效率并不总是我们的首要目标。事实上，在软件开发过程中，效率不应该是我们的首要目标。通常来说，程序员的首要任务是提供完备、稳定而正确的解决方案。当然在开发时，时刻注意效率问题总还是没有坏处的。

由于现在Perl已经能够处理Unicode字符，所以Perl的正则表达式同样能够处理字节（byte）、字符（character）和字素（grapheme）。不仅如此，正则表达式还可以处理字符属性（character property）。我们把大部分此类问题保留到第8章再详细讨论，也就是说，第8章也将包含不少与正则表达式相关的内容。

条款28　了解正则表达式操作符的优先级（1）

"正则表达式"一词中之所以包含"表达式"，是因为构成和解析正则表达式的语法近似于算术表达式。诚然，正则表达式与算术表达式的作用各不相同，但理解二者的相似性，有助于写出更严谨的正则表达式，或者说更完美的Perl程序。

正则表达式由原子和操作符组成。原子（atom）是构成正则表达式的基本单位，通常是指仅匹配单个字符的匹配模式。例如：

 
 
a           # 匹配字母a  
\$          # 匹配字符$  
\n          # 匹配换行符  
[a-z]   # 匹配任何一个小写字母  
.           # 匹配除\n以外的任意字符  
\1          # 反向引用所匹配到的第一组捕获内容（文本长度不限） 

此外还有一些特殊的"零宽度"原子 ，例如：

 
 
\b          # 单词边界，从\w转换到\W的分界点，反之亦然  
^           # 匹配字串行首位置  
\A          # 字串的绝对行首  
\Z          # 字串末尾位置或换行符位置  
            # 可能是也可能不是零宽度  
\z          # 绝对行尾位置，之后再无其他内容 

原子由正则表达式操作符修饰或联结在一起。与算术表达式相似，正则表达式的操作符之间也是有优先级次序的。

1. 正则表达式的优先级

幸运的是，正则表达式只有四层优先级。试想一下如果正则表达式的优先级和数学表达式一样多一样复杂，会是怎样一种情况！

圆括号和其他分组操作符拥有最高优先级。表3-1列出了正则表达式操作符的优先级。

量词与它所修饰的元素的结合最为紧密，不论所修饰的是原子还是分组：

 
 
ab*c                # 匹配ac、abc、abbc、abbbc等  
abc*                # 匹配ab、abc、abcc、abccc等  
ab(c)*          # 同上，并捕获字母c  
ab(?:c)*        # 同上，但不捕获字母c  
abc{2,4}        # 匹配abcc、abccc、abcccc  
(abc)*          # 匹配空字串、abc、abcabc等 

表3-1　正则表达式操作符优先级次序（从高到低）

优先次序	操　作　符	描述
最高级	() (?:)，等等	圆括号或其他分组操作符
	? + * {m,n} +? ++，等等	重复次数
	^ $ abc \G \b \B [abc]	字符序列、文字字符、 字符组、断言
最低级	a|b	多选结构

两个原子顺次排列称之为序列（sequence）。虽然没用标点符号，但序列也是一种操作符。为清晰起见，下文使用圆点（o）表示序列关系。上述例子因此变为：

 
 
aob*oc          # 匹配ac、abc、abbc、abbbc等  
aoboc*          # 匹配ab、abc、abcc、abccc等  
aobo(c)*        # 同上，同时捕获字母c  
aobo(?:c)*  # 同上，但不捕获字母c  
aoboc{2,4}  # 匹配 abcc、abccc、abcccc  
(aoboc)*        # 匹配空字串、abc、abcabc等 

现在操作符之间的优先级关系是不是明显许多了？

在优先级次序中级别最低的，要数多选结构了。下面继续使用o记号提示：

 
 
eod|joo         # 匹配ed或jo  
(eod)|(joo)     # 同上  
eo(d|j)oo       # 匹配edo或ejo  
eod|joo{1,3}    # 匹配ed、jo、joo、jooo  
 
像^或\b这样的零宽度原子，与其他原子的优先次序是一致的：  
^eod|joo$       # 匹配行首的ed，或行尾的jo  
^(eod|joo)$     # 匹配仅含ed或仅含jo的行 

优先级次序不太好记。剔除多余括号属于高级技巧，在正则表达式中尤其如此，因而特别需要留意，以防删除过多而误事：

 
 
# 这封邮件是谁发给我的？  
/^Sender|From:\s+(.*)/; # 错误！它可以匹配像这样的伪造头：  
                        # X-Not-Really-From: faker 

上述模式的本意是要匹配邮件头中Sender:或From:开头的行，但实际上能匹配到的内容显然不是我们所期望的。如果加上合适的括号，意思就清晰了：

 
 
/(^Sender)|(From:\s+(.*))/; 

添加一对圆括号，或非捕获型括号(?:)（见条款32），问题就能迎刃而解：

 
 
# 改良版本  
/^(Sender|From):\s+(.*)/;       # 变量$1保存的是单词Sender或From  
/^(?:Sender|From):\s+(.*)/; # 变量$1保存的是真正要提取的内容 

2. 双引号变量内插

Perl正则表达式的变量插值方式与双引号字串内的变量插值方式相同。变量名称以及\U和\Q这样的字符转义，并不属于正则表达式原子，因而正则表达式解析器不会处理它们。内插是一个单独的过程，发生在Perl解析正则表达式之前：

 
 
/te(st)/;       # 测试系统变量$_是否匹配test  
/\Ute(st)/;     # 匹配TEST  
/\Qte(st)/;     # 匹配te(st)  
$x = 'test';  
/$x*/;              # 匹配tes、test、testt等  
/test*/;            # 同上 

不明白变量插值和正则表达式解析过程的先后顺序，常常会导致混淆误用的情况。请看下面的例子，要是把插值变量当成了正则表达式的原子，会发生什么情况：

 
 
# 读入一个模式，匹配该模式出现两次的情形  
chop( $pat = <STDIN> ); # 例如，读入的模式为bob  
print "matched\n" if /$pat{2}/; # 错误，实际相当于/bob{2}/  
print "matched\n" if /($pat){2}/;   # 正确，实际相当于/(bob){2}/  
print "matched\n" if /$pat$pat/;    # 简单罗列式，虽然相等，倒也正确 

上例中，如果用户输入bob，第一条正则表达式所匹配的就是bobb，因为在解析正则表达式之前，变量$pat已经被实际内容替换了。

上面三条正则表达式都隐藏着另一个陷阱。假如用户输入的是字串hello :-)，就会导致严重的运行时错误。变量内插后得到的实际正则表达式会从/($pat){2}/变为/(hello :-)){2}/，不光是毫无意义，连括号也不对称了。Perl会报告正则表达式错在哪里：

 
 
Unmatched ) in regex; marked by <-- HERE in  
  m/(hello :-)) <-- HERE {2}/ 

这种问题我们可以用qr//解决（见条款40）。

对于括号、星号、点号之类的特殊字符，如果不想把它们作为正则表达式元字符使用，可以借助quotemeta操作符，或是转义操作符\Q。quotemeta和\Q会在任何不是字母、数字及下划线的字符之前加上反斜线作转义处理。

下面的代码从标准输入读取字串，使用quotemeta将字符中的特殊字符转义，然后再用于匹配。如果输入仍旧是hello :-)，那么转义后会变为hello\ \:\-\)，可以放心地用这个正则表达式进行匹配了。

 
 
chomp( $pat = <STDIN> );  
my $quoted = quotemeta $pat;  
print "matched\n" if /($quoted){2}/; 

或者，直接在表达式中使用转义操作符\Q和\E ：

 
 
chomp( $pat = <STDIN> );  
print "matched\n" if /(\Q$pat\E){2}/; 

跟使用正则表达式的其他语法结构一样，一点点疏忽都可能造成正则表达式崩溃：

 
 
# 它实际上相当于/hello \ \:\-\)\{2\}/，显然这是一个致命错误  
print "matched\n" if /(\Q$pat){2}/; # 错误！漏掉了\E 

3. 要点

要留意正则表达式的优先级。

可以使用圆括号将正则表达式分组。

使用\Q或quotemeta将元字符转义为普通字符。