此笔记位置已失效,请从目录继续阅读。
全书导读
正则表达式是一门用来描述文本结构的小型语言:模式说明允许什么字符、如何组合和重复,匹配工具再把它应用到目标文本。它能做查找、提取、分割和替换,但同一个模式放进不同语言或接口,可能有不同的语法、状态和返回结果。本书的目标是让读者能解释这些差别,并据真实输入设计、调试和维护模式。
前两章从egrep和Perl例子建立字符组、量词、捕获与外围处理的认识;第三章把流派、字符串解释层、Unicode和接口摆到一起。第四章揭开候选起点、有序分支和回溯如何决定结果,第五章据此应对地址、引号、HTML和CSV等实际数据,第六章再分析失败成本、预查、编译复用和无歧义循环。后四章完整落实到Perl、Java、.NET和PHP,而非仅供略读的语法表。
本版语言章节的基线分别属于旧版运行时,机制可以启发理解,具体功能和性能必须绑定版本。正文把作者主张、原文排版或逻辑错误、当日官方核验和读者延伸分开;教学HTML/XML和CSV子集不当作通用解析器或安全校验器。
全书主线
理解正则可以从三个问题展开。首先,模式想描述什么:字符组选择一个字符,括号组合组件,量词规定允许重复次数,锚点与环视只检查当前位置。其次,工具怎样尝试:普通向前搜索优先较早起点,传统回溯引擎再按分支和量词顺序保存备用路径,局部失败时退回。最后,程序怎样消费结果:捕获、返回状态、偏移、替换模板和迭代位置属于接口契约,不能从模式外观猜出来。
贪婪并不保证全局最长,忽略优先也不禁止跨越字段边界;后续条件失败,会迫使前面的选择重新安排。原子组和占有量词能删除备用路径,所以既可能加速,也可能改变结果。只有知道交还的字符不可能帮助后部,才适合剪掉它们。
实际任务先确定输入文法、允许空值、范围和失败行为,再写模式并设计外围处理。性能分析随之检查有多少候选起点、每个起点有多少可重选路径、模式准备能否复用,以及测试是否覆盖近似成功的失败输入。任何改写都要先保持所需语义,再谈运行成本。
flowchart TD
A[明确输入与任务] --> B[选择流派与接口]
B --> C[组合模式并规定边界]
C --> D[解释引擎选择与捕获]
D --> E[核对成功、失败、空值和位置]
E --> F[测量实际成本]
F --> G[有依据地改写或复用]
G --> E
图中是解决任务的迭代顺序,不是所有引擎内部的执行架构。数学NFA与本书主要讨论的传统回溯式NFA也应区分:同样的匹配语言可以由不同执行办法实现。
译者序
译者从邮件地址、URL和重写规则的工作经历说明:模仿表达式可解决眼前任务,但理解表达式、字符串解释层、捕获和引擎之后,才更容易判断问题的可行方案。这里没有给出完整的子域排除表达式,因此不补造成已验证的操作。
前六章建立认识框架,后四章把它装进具体语言接口。原理可以迁移,语法和API仍须查所选实现的文档。翻译中保留special、normal等技术词是为了保持某些模式角色的准确性;个人学习时长和成功经历不作为统一学习保证。
正则是语言补充本项背景,主要讲解保留在相应章。
重印前言:学到不会忘
重印序区分能对照文档解决问题与形成可迁移理解。译者即使少写正则,也能保留对问题能否处理、该从哪里着手的判断,这提供了重视原理的个人经验。学习时长与遗忘难度之间的倍数、终身不忘的类比,不具备这里可检验的统一条件。
Word排版的例子说明先定义样式与引用,可以减少后续手工排版;Unicode的例子则提醒,相同字形可能有不同码点序列,处理文本不能只看显示结果。后一点已用Unicode规范的等价与正规化定义核对,打印是否成功仍取决于具体渲染环境。
正则是语言补充本项背景,主要讲解保留在相应章。
相同字形可以采用不同码点
Ä可以表示为U+00C4,也可以表示为U+0041后接组合分音符U+0308。两种码点序列可规范等价,却不保证未经处理的逐码点比较或正则匹配自动相等。Unicode正规化用约定的分解、重排和组合规则统一等价表示;NFD偏向分解,NFC再作规范组合。依据:Unicode正规化规范。原书的打印修复是个案,不保证任意字体都一样显示。
第3章以à的预组与分解形式再次说明正规等价,同时区分外观相似但来自不同字母系统的字符:看起来一样并不自动等价,不能用正规化保证所有视觉相似字符都匹配。
相同字形可以采用不同码点保存独立卡片。
Word排版艺术以样式管理格式
《Word排版艺术》是Word排版的学习资料。重印序记述通过学习格式、样式和引用,译者能够先定义文档规则再写稿,减少后续反复处理格式的工作。它提供把排版当作可复用规范学习的入口;这里依据的是本书的使用经历,没有读过该书全文,也不承诺任何Word版本界面或记忆收益。
Word排版艺术以样式管理格式保存独立卡片。
原书依据 · 1 处
前言
前言给出全书的学习路线:先认识模式语言、流派、引擎和实际数据,再看Perl、Java、.NET与PHP的具体接口。工具细节来自书写作时的版本,不能把其中的“目前流行”或缺少官方文档等描述当成现在的事实。
体例本身影响读懂例子:模式与目标文字分别标示,空白字符、下画线和颜色帮助显示本来不易看见的差异。复习练习用于检查能否解释概念;原书的网页、联系信息和交叉页码只提供查阅入口,未访问之处不宣称已核验。
分清模式目标文字与排版标记
阅读正则例子时先区分模式、目标文字和编辑标记。本书通常用「…」表示模式、单引号表示文字文本,用中点、Tab、换行与回车标记显示空白,再以下画线或颜色突出局部。复制例子时要还原实际字符,不能把标记都当成要传给引擎的字面量;省略号也可能只是省去无关内容。
分清模式目标文字与排版标记保存独立卡片。
原书依据 · 1 处
第1章:正则表达式入门
本章以重复单词检索明确一个完整任务的要求:多个文件、跨行、大小写差异、空白与HTML标记都会影响匹配。模式提供识别文本结构的规则,工具和宿主程序再组织输入、处理及输出。能写一个看似匹配的片段,并不等于已经满足整项任务。
正则是语言
正则表达式不是一串搜索字符,而是一门描述文本结构的微型语言。它的价值在于把“想找什么”压缩成可执行模式,再交给工具完成查找、替换、抽取。发散:学正则的关键不是背符号,而是训练模式化描述文本的能力。
推荐序把框架知识与具体知识分开:先形成关于模式和机制的理解,再随用随查语法细节,有助于迁移;这不要求背下所有符号,也不证明读过某一本书是能力的唯一门槛。
译者序进一步提醒,理解原理之后仍应查所用语言的具体文档;表达式、字符串转义、捕获和引擎各有解释层,不能把一个工具中的现成片段直接视为通用答案。
重印序用细节生疏而仍能判断问题的经历说明框架的作用;这是一份个人经验,不能据此保证多学一倍便永久不忘,理解也仍需反馈和使用。
正则是语言保存独立卡片。
文本处理先分配模式与外围职责
模式描述哪些文本符合条件;宿主程序和工具负责取得输入、组织遍历、执行变换并输出结果。重复单词任务同时要求跨行、忽略大小写、处理标记和输出文件名,因此要看模式怎样与外层处理配合,不能只凭一个局部匹配就宣称完整任务完成。书中此处只是设计目标,尚未展示或运行完整程序。
重复词可能跨行,Perl示例通过$/改变输入记录分块;随后模式识别重复、捕获保留大小写、替换插入高亮、其他步骤过滤未命中行并添加文件名前缀。读入分块不是模式本身的能力,简单<…>片段也不等于通用HTML解析。
文本处理先分配模式与外围职责保存独立卡片。
解决实际问题
计数SetSize与ResetSize、抽取邮件头和定位长邮件,都是为了把重复劳动交给模式与工具。本项先展示任务动机,具体表达式与工具语义在后文展开。原文15秒编写、2秒检索是当时的个人案例,缺少可复用测量条件,不能据此承诺相同收益。
文本处理先分配模式与外围职责补充本项背景,主要讲解保留在相应章。
作为编程语言的正则表达式
正则表达式通过普通文字和元字符组合描述结构。把它类比为语言,可以理解为何单个符号简单,组合后却能表达复杂目标。文件名通配符也是模式语言,但有自己针对文件选择的规则,不能把两种语言的符号直接互换。
替换emphasis标签的例子说明,模式用于选中具有某种结构的内容,宿主替换命令再改变标签。示例的数字点号形状不自动等于完整IP地址合法性检查,后文仍需讨论输入假设和边界。
元字符依赖语境
普通文字通常用来匹配自身,元字符则表达选择、重复、位置等结构操作。元字符的意义取决于所用模式语言、表达式中的位置及宿主解释层;同一符号不能脱离语境解释。可靠写法先确认谁正在解释它,再判断是否需要转义。关联:双重转义心智。
字符组内部又有自己的规则:本节把开头位置的连字符按文字处理,把紧接[的^解释为排除,点号在组内也不再是外部的通配符。具体转义支持仍要看所选流派。
Perl的\b在模式主体中表示词边界,在字符组内则表示退格。本节是具体流派的例子,不能仅看反斜线外观便把它们当作同一种匹配。
第3章汇总再次强调字符组内部有自己的规则:星号通常按字面解释,连字符可能表示范围,\b等序列也可能改变意义。源码中的语境和宿主字符串层须分开判断。
元字符依赖语境保存独立卡片。
文件名通配符有自己的模式语言
文件名glob用少量特殊符号选择文件,例如本例的*.txt;正则表达式则为一般文本提供另一套组合规则。二者都叫模式,不代表语法相同或由同一层解释。将模式移交给shell、文本工具或编程语言前,应先辨认接收者和其规则;不同glob实现对目录分隔符等细节也不能仅凭这个简例推定。
文件名通配符有自己的模式语言保存独立卡片。
原书依据 · 1 处
正则表达式的思维框架
表达式由小组件组合而成,学习要看清每个组件由谁解释。命令行示例将shell提示符、引号、模式参数和文件名分开:shell负责传递参数,egrep依模式逐行筛选并显示命中的行。
纯文字模式cat寻找连续字符序列,vacation中也有这段序列;它并不自动识别英语中的完整单词。是否需要词边界、整行或更复杂上下文,是另一个必须明确的要求。
双重转义心智补充本项背景,主要讲解保留在相应章。
子串匹配不会自动限定单词
纯文字模式cat寻找连续的c、a、t,因此也会命中vacation中的同一子串。表达式不因为这些字母本身能组成一个单词,就自动要求左右是单词边界。先明确要找字符片段、完整词还是整行,再选择对应边界规则;单词的定义还取决于工具及其字符语义。
本节某些egrep版本提供<与>作为词首词尾位置;这是工具按字符类别划出的边界,不等于识别自然语言的完整单词,支持范围也不是所有工具通用。
子串匹配不会自动限定单词保存独立卡片。
Egrep元字符
本节把模式拆成字符、位置和组合规则。字符组在一个位置选择一个字符,排除组仍然要消费字符;^、$及词边界则判断位置。点号带来方便,也可能放宽本来需要的输入限制,所以必须知道要处理什么数据。
多选分支、分组和量词建立更复杂的结构。括号决定哪些分支共享锚点,量词决定前一组件允许出现几次;可选部分匹配成功不保证完整表达式成功。捕获保存实际文字,反向引用再要求相同文字,这才使任意单词的重复检测成为可能。
这些语义都处于工具环境中。egrep按行输入、-i由命令行指定、词边界语法和反向引用支持依流派而异,不能把一个历史命令直接视为所有库的通用接口。反斜线既可能将元字符字面化,也可能引出新构造,抄写模式前要辨清解释层。
元字符依赖语境补充本项背景,主要讲解保留在相应章。
真实数据需要假设补充本项背景,主要讲解保留在相应章。
模式改变语义补充本项背景,主要讲解保留在相应章。
子串匹配不会自动限定单词补充本项背景,主要讲解保留在相应章。
字符组不是多选
字符组在当前位置选一个允许的字符,多选结构则在几个子表达式中选择,分支可以匹配不同长度。gr[ea]y与gr(e|a)y在本例可接受相同文字,但gr[a|e]y还容许竖线本身。字符组与分支并非同一语言组件,执行成本仍需按实际引擎和输入判断,不能说某种写法永远更快。
字符组不是多选保存独立卡片。
原书依据 · 1 处
排除组仍消费字符
排除型字符组[^…]仍须匹配并消费一个未列出的字符;它不是站在原地判断“不属于集合”。q[^u]要求q之后确实有一个非u字符,因此对已移除换行符、以q结尾的Iraq行不会成功;Qantas还涉及大小写问题。若目标实际保留换行或后续字符,结果又可能不同。
否定环视(?!\d)在当前位置排除右侧数字,不需要消费一个非数字;\D则必须消费一个非数字字符。因此前者能在输入末尾通过而后者不能,不能把二者机械互换。
排除组仍消费字符保存独立卡片。
锚点限定意图
锚点约束匹配的位置,而不消费字符。按本节egrep的单行输入,^cat$只接受整行为cat,^$选择空行,单独^则每行都能匹配。验证全串时还要核对所用API、模式及换行规则;若写^From|Subject,行首约束只属于前一分支,需用分组表达共同边界。
第3章区分^/$与\A、\Z、\z。$常可在最终换行前成立,/m还可能引入内部行边界;\Z也不在所有流派中等价于绝对结尾。若任务需要整个字符串,必须按具体接口和流派选择边界,不能一律用^…$推断。
删除到最后斜线的前缀时,起点明确便应表达起点;否则无斜线输入可能让未优化的搜索从多个位置重复扫描和回退。锚点既可表达语义,也可减少搜索起点,不能只在成功例子上评价。
锚点限定意图保存独立卡片。
括号把表达式组合为一个单元
括号为多个组件确定共同作用范围。^(From|Subject|Date):把行首和冒号条件放在所有分支之外;(th)?则把th整体设为可选。没有分组,^From|Subject|Date:是三条约束不同的分支。普通括号还可能承担捕获作用,但“划定结构”与“保存匹配文本”是两件需要分清的事。
温度例把小数点与其后数字一起放进可选分组,而不是只让点号可选。书中[-+]?[0-9]+(.[0-9]*)?仍要求整数部分,容许小数点后没有数字,也尚未支持.357;这些是具体文法选择,不代表完整数值解析。
括号把表达式组合为一个单元保存独立卡片。
量词规定组件允许的重复次数
量词作用于紧邻的前一个组件;组件可以是字符、字符组或括号表达式。
| 写法 | 允许次数 |
|---|---|
? |
0或1 |
* |
0或更多 |
+ |
1或更多 |
{m,n} |
支持区间语法时的m至n次 |
colou?r容许u缺席,但仍要求其他部分成功;一个可选组件能匹配空串,不等于整个表达式必定成功。
本节把子表达式解释为模式中的组成部分;例如mis+pell中的+只作用于s,[1-6]是一个字符组组件,不能把它内部的1-6拆作主体语言的子表达式。
把X限定为零次并不禁止当前位置或后续出现X,只是不要求这部分消费X。要表达某位置不允许某结构,应使用合适的否定条件;零次数量词与排除条件并非一回事。
量词规定组件允许的重复次数保存独立卡片。
捕获连接匹配与处理
捕获分组保存子表达式实际匹配到的文本,供后续表达式或宿主处理引用。编号按捕获括号的开括号顺序分配;保存的不是字符组等模式本身。捕获与分组的结构作用应分开理解,查找、替换或高亮是否能直接使用这些值,还要看工具提供的接口。
Perl在本节通过$1、$2等把捕获交给后续代码;模式内部的\1与外部的$1承担不同阶段的引用。给温度的小数部分新增捕获括号,会使制式从第二组移到第三组,相关代码也须同步,不能只检查可匹配文本是否不变。
通常按开括号从左至右分配数字编号。捕获名或编号如何在模式内部、匹配结果对象和替换模板中引用,是三个不同语境;表3-14中的旧接口对照不能混用。
Perl普通模式文字中的$1在本次应用前插值,取此前成功匹配的固定文本;模式内的\1引用当前路径上第一组所捕获的内容,两者不能互换。嵌入代码和动态结构有专门语境,后文继续。
捕获连接匹配与处理保存独立卡片。
反向引用改变能力
反向引用要求后续文本与前面某个捕获的实际文字一致,不是再执行一次相同字符组。按本节支持词边界和反向引用的egrep流派,<([A-Za-z]+) +\1>可描述由空格隔开的ASCII重复单词;大小写还受选项控制。逐行输入无法覆盖跨行重复,匹配到that that也不必然是语言错误。实际工具的扩展不应仅凭“正则”名称等同于理论正则语言的能力。关联:捕获连接匹配与处理。
反向引用改变能力保存独立卡片。
转义既能字面化也能引出构造
在本节模式主体中,.让点号作为普通句点匹配,(和)可表达字面括号;但反斜线也可能引出特殊构造,例如\1是反向引用,某些egrep中的<表示词首。不能一律把反斜线理解为删除后一个符号的意义。尤其在字符组内或跨流派使用时,要核对具体规则,原文对字符组转义的泛说不能当所有引擎的统一规定。
转义既能字面化也能引出构造保存独立卡片。
原书依据 · 1 处
基础知识拓展
本节从“能匹配”走向“匹配结果能做什么”。按行筛选只需知道存在性,提取和改写则关心准确的起止与内容;美元小数片段说明,同一模式组件对不同任务可能有不同价值。
具体结构要明说假设。标识符把首字符与后续字符分开,引号字符串先限定内部允许字符,日期金额和URL也各有不覆盖的形式。小时分钟的例子进一步说明,外形像数字不等于数值范围有效;HTML的<.*>则显示一个看似方便的写法可能覆盖过多内容。
术语部分把流派、工具、子表达式与字符解释分开。流派描述语法和语义,同名工具也可能不同;量词作用于相邻组件;字节须按约定编码解释;零个字符的匹配仍可能成功。这些区别是后面接口与引擎讨论的基础。
量词规定组件允许的重复次数补充本项背景,主要讲解保留在相应章。
真实数据需要假设补充本项背景,主要讲解保留在相应章。
贪婪不是最长补充本项背景,主要讲解保留在相应章。
正则平衡法则补充本项背景,主要讲解保留在相应章。
布尔检索与精确提取目标不同
按行检索只问是否存在匹配,提取则还关心匹配的起止与内容。模式\$[0-9]+(.[0-9][0-9])?可匹配美元数字片段;对于是否显示该行,只要整数部分能命中就够了,可选小数并未增加存在性条件。若要取得完整价格或验证整串,边界与后续字符就重要了。这个片段不等于完整金额格式验证。
布尔检索与精确提取目标不同保存独立卡片。
原书依据 · 1 处
首字符与后续字符可分别约束
假设标识符由ASCII字母、数字、下画线构成且不能以数字开头,可以写[A-Za-z_][A-Za-z_0-9]*:第一组件负责开头,后者负责其余部分。若长度最多32个字符,可把末尾改为{0,31}。这只是本节简化规则;其他语言的Unicode名称、关键字和整串匹配边界仍须另外规定。
首字符与后续字符可分别约束保存独立卡片。
原书依据 · 1 处
定界文本须说明内部字符规则
若字符串仅以双引号定界、内部不含双引号,可用”[^“]*“描述:两端匹配定界符,中间允许零个或更多非引号字符。允许空内容,是星号下限为零的结果。如果格式还允许反斜线转义的内嵌引号,这个简单结构就不够,必须先明确转义规则,再构造更完整的模式。
多字符闭合标记不能通过把所有字符塞进排除组来排除整个序列:[^]只逐字符排除<、/、B、>。若任务规定正文中不得出现某个完整边界,可在每个消费位置检查相应否定环视;这仍只是约定格式的处理,不自动支持嵌套或任意HTML。
常见处理顺序是开分隔符、正文、闭分隔符;正文是否允许转义闭符、多字符闭符或嵌套,必须单独定义。看引号前一个反斜线无法处理反斜线本身已被转义的情况。
定界文本须说明内部字符规则保存独立卡片。
格式匹配还需限制数值范围
仅用一两位数字表示小时、两位表示分钟,会容许99:99这类外形正确的无效时刻。本节把12小时制小时分为1到9与10到12两支,分钟限制为[0-5][0-9];24小时制示例再按0到9、10到19、20到23分情况。是否要求前导零、整串边界和时区等是另外的输入规则,不能由数字位数自动保证。
格式匹配还需限制数值范围保存独立卡片。
原书依据 · 1 处
字节必须按约定编码解释
字节值本身不决定字符,编码规定怎样把一个或多个字节解释成字符。ASCII中十进制64表示@,不能据此把任何编码中的相同字节都当成@。处理正则时,要让输入的编码与工具的解释约定一致;看到相同字形,也不能反推它们一定采用相同的字节或码点序列。
字节必须按约定编码解释保存独立卡片。
原书依据 · 1 处
空串匹配成功与失败不同
在没有a的位置,a*或a?仍可以成功匹配空串:成功结果的长度是零,与根本没有匹配不同。接收API结果时,应辨认成功信号、起止位置和文本,不能只用结果字符串是否为空代替成功判断。本节只建立概念;迭代匹配如何在零长度结果后前进,需继续核对具体接口。
空串匹配成功与失败不同保存独立卡片。
原书依据 · 1 处
流派三层差异
比较正则工具时要分三层:支持哪些元字符、宿主语言怎样传入和使用表达式、引擎怎样执行匹配。只看语法表会漏掉接口和执行模型。关联:NFA需要设计。
流派描述语法及语义规定,不等同于工具名称。两个工具可共享相近规则,而同名工具的不同实现也可能有差异;兼容Perl的标签并不保证所有行为一致。
第3章把三层分别定义为元字符及意义、宿主交互方式、引擎应用表达式的原理。功能表只覆盖部分表象;相似语法并不能保证相同结果。
本节用Jul/July的选择说明:看似相同的分支顺序,在不同工具中可能产生不同匹配;这是语义和引擎问题,不能仅靠替换括号的转义写法解决。
Java专章以1.5.0为基线,分别介绍正则语法、回溯引擎和Pattern/Matcher接口;其版本对照不能当作现代Java特性清单。
本书.NET的VB、C#等语言共享正则库,但字符串文字和对象调用语法不同;同一正则机制不等于可以原样复制宿主代码。
流派三层差异保存独立卡片。
一家之言
这一短节用学习纸牌游戏的经历,比喻入门时规则繁多与熟悉后的使用乐趣。它的作用是解释本章为什么先讲构建块,再逐步引入复杂任务。
故事没有提供独立的正则机制,也没有验证学习时间与收益的普遍关系;读者可以把它理解为继续学习的鼓励,而不是把一次游戏经历当作技术学习必然成功的证据。
第2章:入门示例拓展
章首先展示一个Perl重复单词检查程序,预告后续要解释的三个模式。程序在指定输入记录上识别由空白或简单标记分隔的重复文字,用终端标记突出显示,再过滤无关行、补上输入文件名。
完整任务来自模式、读取方式和外围处理的配合,并非一个表达式便自动理解文件或HTML。这里是教材示例,跨流派使用时仍须检查输入组织、修饰符和语法,而不能把“只需少量修改”的概述当成逐语言兼容保证。
文本处理先分配模式与外围职责补充本项背景,主要讲解保留在相应章。
关于这些例子与Perl简单入门
本章用Perl作为展示文本处理的宿主语言,理由是它把正则和数据处理操作结合得较紧凑。这里的选型和平台流行度来自书写作时的背景,不代表必须选Perl,也不代表其他语言无法完成任务。
理解示例先辨认外层代码:以$开头的标量保存数值或文本,双引号会展开变量与转义序列,while在条件成立时反复执行。摄氏转华氏的代码用这些构造组织计算和输出,正则并不是程序的全部。
文本处理先分配模式与外围职责补充本项背景,主要讲解保留在相应章。
双重转义心智补充本项背景,主要讲解保留在相应章。
Perl示例的变量与循环读法
本章Perl示例用$name形式的标量保存数值或文本,双引号字符串会展开变量并解释\n等序列,#至行末是注释。while在条件为真时重复执行块内代码,例子通过改变摄氏数值走向结束。脚本可按书中perl -w temps的形式调用,-w请求额外警告,是外围运行选项而非正则修饰符。这些是读懂本书历史示例的基本约定。
Perl示例的变量与循环读法保存独立卡片。
原书依据 · 1 处
使用正则表达式匹配文本
本节把正则放进Perl条件语句:目标字符串经=~连接m/…/,匹配是否成功决定程序后续动作。先检查数字形式,再完成温度换算;示例在读入后chomp去掉末尾记录分隔符,不能据此把^和$解释成所有输入与模式下的绝对整串边界。
随后,正负号、小数、制式和空白被逐步加入文法。括号既影响结构,也可能增加捕获;制式的编号因此会随着小数分组移动。非捕获分组可以保留结构而不增加编号。宿主代码还必须正确解释捕获值:模式接受小写c后,原先只判断C的分支便不再适用。
字符串插值、shell引号、模式语法和字符组各有解释规则,不能把相似的反斜线混在一起。空白和单词等简记也有自己的字符范围,图表中的ASCII简化须按具体版本核对。最后,printf只改变输出形式,不自动解决底层数值表示问题。
捕获连接匹配与处理补充本项背景,主要讲解保留在相应章。
非捕获减少状态补充本项背景,主要讲解保留在相应章。
括号把表达式组合为一个单元补充本项背景,主要讲解保留在相应章。
元字符依赖语境补充本项背景,主要讲解保留在相应章。
双重转义心智补充本项背景,主要讲解保留在相应章。
模式改变语义补充本项背景,主要讲解保留在相应章。
Perl匹配接口连接模式与目标
本章在条件语境中用$text =~ m/regex/i应用模式:=~把目标和匹配操作连接,m表示匹配,两侧斜线划出模式边界,末尾i要求忽略大小写。不要把它与赋值=、数字相等==或字符串相等eq混淆。这里讨论条件判断的成功/失败;其他求值语境和全局迭代的返回约定,需在Perl专章继续辨认。
Perl匹配接口连接模式与目标保存独立卡片。
原书依据 · 1 处
格式化改变显示而不改变数值
printf依据格式组织输出,%.2f让数值以两位小数显示,不会因此改写原变量的值。书中温度示例将较长的小数输出整理为71.60,显示更容易阅读,但这不等于底层数值表示已变得精确。应分别判断运算、存储与呈现的要求,而不是用好看的输出证明计算过程没有误差。
格式化改变显示而不改变数值保存独立卡片。
原书依据 · 1 处
字符简记不是固定ASCII集合
\s、\d、\w分别指空白、数字和单词字符集合,\S、\D、\W表示相应补集;\t、\n、\r表示具体控制字符。集合范围依流派、字符模式及locale等条件决定。Perl的\w包括下画线,不能照抄原表遗漏它的简化定义;\s也不仅是空格和Tab,因此把[ \t]*改成\s*可能放宽到换行。依据:Perl 5.8.9文档。
第3章的表也只对应书中版本。正则引擎能处理Unicode文本,并不意味着所有简记自动扩展为同一Unicode集合;\d、\w、\s及其补集要分别核对,边界构造还可能采用不同的类别规则。
本书Java 1.5基线中,单词简记采用ASCII集合;原文展开遗漏下画线,应包含_。建议用\pL或\pZ扩展时也要注意:字母类别不包含数字和下画线,分隔类别不能覆盖全部控制空白,二者不是原集合的等价Unicode替换。
本书.NET把默认Unicode类别与ECMAScript兼容模式分开。其旧类别清单不能当现代穷举:当日微软文档的单词字符还包含Lm和Mn。判断能否匹配组合标记、修饰字母时,应按目标框架核对;本书的旧版遗漏不作为跨版本事实。
字符简记不是固定ASCII集合保存独立卡片。
模式放宽后须同步处理分支
温度模式加/i后能接受小写c,但若后续仍只判断$type eq “C”,50c会落入华氏分支,得到错误解释。匹配规则扩大的输入集合,必须与处理代码的分类保持一致。本例捕获类型已限定为单个C或F,可同时判断C/c,或按相同忽略大小写规则识别c;只改模式而不查消费者,不能完成需求变更。
模式放宽后须同步处理分支保存独立卡片。
原书依据 · 1 处
使用正则表达式修改文本
替换操作先确定被匹配的范围,再用替换字符串取代它。捕获能把需要保留的部分放回结果,纯零宽匹配则能在位置上插入内容。是否忽略大小写、是否遍历同一目标中的全部匹配,以及是否逐行读取输入,分别属于不同的控制层。
本节从模板、价格显示和邮件回复走向环视与HTML转换。邮件程序展示了“字段能匹配”之后仍需解决的业务问题:所需字段可能缺失,优先级也不能靠输入先后碰巧实现。原书组合邮件程序将非空白地址印成了小写\s+,与解释的\S+意图冲突,本笔记不把该程序当成已验证可执行版本。
环视在当前位置检查左右上下文,不消费字符。千分位示例说明,这不仅是语法简写:全局匹配会从前一次匹配末尾继续,消费了后面仍需判断的数字,就会错过下一个插入点。字符组消费字符,否定环视只排除当前位置的某种后续,两者在输入末尾的行为尤其不同。
文本转HTML依次处理原始特殊字符、段落与链接;顺序会影响后续处理看到的数据。模式中的宽松排列和替换字符串的格式各有规则。邮件地址、域名、URL尾部标点和简单标签都只是本章自定的数据子集,并未构成现代标准验证器。最后用Perl与Java两个版本说明:相同模式必须配合各自的输入分块、字符串转义、编译、匹配和替换接口。
排除组仍消费字符补充本项背景,主要讲解保留在相应章。
真实数据需要假设补充本项背景,主要讲解保留在相应章。
模式改变语义补充本项背景,主要讲解保留在相应章。
避免重复编译补充本项背景,主要讲解保留在相应章。
文本处理先分配模式与外围职责补充本项背景,主要讲解保留在相应章。
替换是结构化改写
正则替换先识别目标中的一段匹配,再用替换内容取代它。Perl的$var =~ s/regex/replacement/默认替换首个匹配,/g让同一目标中的匹配继续处理;这与宿主程序循环读取多行或多个文件是两回事。捕获的$1等可把保留部分放回结果,因此匹配范围未必等于最终删掉的范围。替换内容按宿主接口的规则解释,不能直接套用模式的元字符规则。
替换是结构化改写保存独立卡片。
原书依据 · 1 处
固定替换文本不会保持原大小写
忽略大小写匹配只放宽识别规则,不会自动把替换字面量改成原文本的大小写。书中的Jeff例子若匹配JEFF再写入固定的Jeff,结果会改变原大小写。要保留原形,可捕获实际匹配文本并放回,或在合适的零宽位置只插入撇号;重复词高亮也分别保留两次捕获,避免把第二次原本不同的大小写覆盖掉。
固定替换文本不会保持原大小写保存独立卡片。
原书依据 · 1 处
显示截取不等于数值舍入
价格显示例子用(\.\d\d[1-9]?)\d*匹配小数部分,替换时只放回捕获:保留两位小数,若第三位非零再保留它,丢掉其余尾数。这是针对示例数据的文本截取规则,没有根据后面的数字进位;不能把它当成数值舍入或通用金额精度方案。匹配负责扩大可删除范围,捕获负责界定保留范围。
显示截取不等于数值舍入保存独立卡片。
原书依据 · 1 处
Perl批量替换的控制层
历史示例perl -p -i -e ...把三件事交给接口:-e提供程序,-p围绕输入记录循环并输出,-i将结果用于原地编辑。替换式自己的/g则控制一条目标记录内部的重复匹配。理解每层责任后才能判断为何只改一处、只改一行或修改整个输入。本卡记录原书命令机制,未执行任何原地编辑。
Perl批量替换的控制层保存独立卡片。
原书依据 · 1 处
提取后还需检查必需字段
邮件回复例子依赖主题、日期和回信地址。某个字段缺失或不符合模式时,其变量可能一直没有赋值,即使其他字段均提取成功,也不能据此生成完整回复。原书在输出前检查这些必需变量是否已定义,失败则终止。应把“这一行是否匹配”与“整个任务需要的信息是否齐全”分开判断;这仍只是本章简化邮件格式的处理。
提取后还需检查必需字段保存独立卡片。
原书依据 · 1 处
字段优先级不能依赖到达顺序
邮件应优先使用Reply-To,From只作后备。若两个分支都直接写入同一地址变量,程序只有在From先出现、Reply-To后出现时才碰巧符合要求;反过来的输入会让后来的From覆盖高优先级地址。问题根因是把字段优先级隐含成输入顺序。提取与选择应分别表达,或让后备赋值明确受高优先级字段是否存在约束。
字段优先级不能依赖到达顺序保存独立卡片。
原书依据 · 1 处
零宽断言不消费
锚点、边界和环视判断当前位置是否符合条件,不把所检查的字符纳入这段断言的匹配结果。(?=...)与(?!...)检查右侧,(?<=...)与(?<!...)检查左侧,分别要求条件成立或不成立;具体流派对逆序环视的支持仍有约束。Jeff(?=rey)消费Jeff并检查其后是rey,(?<=Jeff)(?=s)则定位在Jeff与s之间,可只插入撇号。同一位置上两侧条件都须通过,在不同位置分别成立没有用。这里的方向描述是上下文关系,不保证每种实现都按同一种内部方向执行。
零宽断言不消费保存独立卡片。
原书依据 · 1 处
全局匹配须保留后续检查位置
千分位插入需要反复检查同一数字串中的多个位置。若模式既消费插入点左侧数字,也消费右边的三位数组,第一次匹配结束后,全局迭代从其末尾继续,便错过了还应检查的内部位置。用环视检查右侧而不消费它,可让后续位置继续参与。书中也给出对修改后文本重复执行替换的替代办法;两种方法解决的是扫描位置推进问题,而不是加/g就自动覆盖所有重叠结果。
全局匹配须保留后续检查位置保存独立卡片。
原书依据 · 1 处
多步转义须安排处理顺序
把普通文本转为HTML时,书中先将原始&变成&,再将<和>变成<与>。如果先生成后两种实体,再把所有&都转义,就会连刚插入的实体开头一起改写。每一步都改变后一步看到的输入,多步替换不能只孤立检查各个模式。本例针对普通文本转换,不是对任意已有HTML反复执行都保持不变的方案。
.NET入门例同样先替换&再替换尖括号,避免刚插入实体中的&又被转义。这个示例只说明特定文本转换顺序,不能泛称适用于HTML属性、脚本、URL等所有上下文的安全编码。
多步转义须安排处理顺序保存独立卡片。
宽松排列服务维护
宽松排列模式允许在模式中加入解释性空白和#注释,把结构拆成可读的多行。Perl用/x启用它;字符组中的空白以及需要作为实际字符匹配的空白、#等仍须按相应语法表达,不能无条件删去。这个模式只改变正则部分的解释,不会把替换字符串里的空白也忽略。可读的结构有助于核对捕获、量词和选择分支,却不替代正确性判断。
Java专章的COMMENTS选项不仅忽略模式外部排版,在字符组内部也会影响空白与注释;把含空格的字符组移入宽松模式前要核对,不能照搬其他流派的规则。
宽松排列服务维护保存独立卡片。
定界符选择可以减少转义
Perl替换可用s{regex}{replacement}flags划出两部分;当模式或输出含有斜线时,这通常比一律用斜线定界更易读。定界符只是宿主语法的界线,改变它不会自动解决模式内部的转义、变量插值或替换字符串的解释。书中HTML链接输出的闭合标签因此少了一层斜线转义,仍需分别理解两部分。
在原书Perl版本中,单引号作模式定界符会停用变量插值、大小写转换/文字引用和字符名等相应文字处理。成对定界符还能按匹配规则嵌套;更换界线不仅是少写几个斜线,也需核对入口的解析约定。
定界符选择可以减少转义保存独立卡片。
把公共模式保存为唯一来源
书中邮件地址和URL都含有同一套主机名规则。用Perl的qr操作符创建regex对象并存入变量,再组合到两种模式中,可以让共同规则只有一个修改入口。对象创建与把它应用到目标文本是两个步骤;复用既保持规则一致,也让外围结构更清楚。这个办法共享的是既定规则,不会让示例中有限的域名子集自动变成完整域名规范。
本节最后建议把主机名、路径允许字符和尾部限制等组成具名片段,避免一条难以维护的长字面量;片段复用仍须统一捕获约定和选项范围。
替换主机名regex对象的内部规则时,原书特别核对它仍不自带首尾锚点或捕获括号。公共组件复用不仅要求名字相同,也要保持组合方式、捕获与边界等接口兼容。
把公共模式保存为唯一来源保存独立卡片。
正则表达式的特性和流派概览
正则表达式的可用行为由三层共同决定:流派规定语法与意义,接口规定如何提交目标并取回结果,引擎规定匹配怎样搜索与选择。只列支持哪些符号,无法说明一个工具在实际任务中的行为。本章聚焦前两层,下一章再进入引擎。
流派三层差异补充本项背景,主要讲解保留在相应章。
在正则的世界中漫步
正则工具经历了长期分化与局部整合。旧程序中已作为普通字符的符号,往往不能在升级时直接变成元字符;兼容旧输入的要求会留下不同的转义形式。BRE/ERE试图把传统流派归类,共享库则使多个宿主复用同一种实现,但二者都不意味着所有版本与接口一致。书中的版本表是历史快照,不能用来判断今天的软件能力。
流派三层差异补充本项背景,主要讲解保留在相应章。
兼容旧模式会约束语法扩展
旧版grep把+作为普通字符,新增“一次或多次”量词时,若直接改变+的意义,就会破坏原有模式。选择原先不常用的+作为新语法,可以减少这种冲突。Perl后来以原先不合法的(?组合引入新结构,也是在为扩展保留空间。看似任意的流派语法,常受历史输入兼容性限制;不能只凭外观推断支持程度。
兼容旧模式会约束语法扩展保存独立卡片。
原书依据 · 1 处
流派兼容标签不能代替行为核对
一张功能表标出“支持捕获、反向引用或单词边界”,仍未回答量词能否作用于分组、点号是否包含换行、字符简记的范围,以及大小写模式怎样影响反向引用。所谓兼容某流派,也可能只覆盖部分语法和语义。应结合具体工具与版本,按目标任务核对这些细节;书中的旧版本对照是提问框架,不能直接当作今日能力表。
Java版本对照同时包含接口增加、Unicode数据版本变化和bug修复。因此即使都称为java.util.regex,也应按实际JDK核对所需方法和字符分类,不能只凭包名判断等价。
PHP本书基线为4.4.3⁄5.1.4与PCRE6.6。接口语言版本与底层库版本须分别确认;“Perl兼容”也不能保证各项递归、Unicode或回溯语义一致。
流派兼容标签不能代替行为核对保存独立卡片。
BRE与ERE是传统流派分类
本书介绍POSIX把传统正则语法归为BRE与ERE:两者在分组、区间量词、多选等结构的写法和支持上不同,书中表3-1作了历史概括。这个分类有助于识别某工具采用哪套基本约定,但不等于每个程序严格遵循所有规定;工具扩展和版本仍需另查。locale也会影响字符类别与大小写解释,它不是仅给输出日期换个格式。
BRE与ERE是传统流派分类保存独立卡片。
原书依据 · 1 处
正则表达式的注意事项和处理方式
同一项匹配任务可以内建为语言操作符,也可以通过函数或对象完成。它们都要解释或编译模式、关联目标、尝试匹配并交回结果,只是这些步骤的显式程度不同。原书以Perl、Java、VB.NET、PHP、Python和编辑器作对照,意在展示接口结构,并不把某种包装认定为普遍更好。
调用接口也参与语义:Java的matches在这里用于整串检查,find用于查找子串;替换结果有的改写变量,有的返回新字符串或写往指定输出变量。全局操作可能是/g,也可能是另一个方法或选项。模式正确但接口选择错误,仍会得到错误结果。
双重转义心智补充本项背景,主要讲解保留在相应章。
正则接口隐藏或暴露执行步骤
集成式用Perl这样的内建操作符表达匹配,程序式通过普通函数,面向对象式通过编译对象和匹配对象。三者都需要准备模式、关联目标、应用匹配并取回结果;差别是哪些步骤由接口隐含完成。简便接口减轻一次性使用的负担,显式对象便于复用与复杂操作,不能只按调用短不短判断功能或成本。
正则接口隐藏或暴露执行步骤保存独立卡片。
原书依据 · 1 处
整串检查与子串搜索由接口区分
本节Java示例用Matcher.find查找目标中能匹配的部分,而Pattern.matches及String.matches判断整个目标是否符合模式。即使模式字符串相同,选用不同接口也会改变任务意义。书中把整串检查类比为包上锚点,是帮助理解的说法;不要进一步把它等同于所有流派和换行模式中的字面^与$。
整串检查与子串搜索由接口区分保存独立卡片。
原书依据 · 1 处
替换结果可能需要显式接回
Perl的本节替换直接作用于目标变量,而Java、VB.NET和PHP例子都将替换结果重新赋给原变量;Tcl的regsub还显式指定接收结果的变量名。调用成功不等于原变量已经更新。迁移替换代码时,应核对结果是原地生效、返回新值,还是写入输出参数,再安排后续处理。
替换结果可能需要显式接回保存独立卡片。
原书依据 · 1 处
全局操作的接口形式各不相同
重复替换并不总由模式后的/g表示。本节Perl采用/g,Java调用replaceAll,Awk区分sub与gsub,Tcl以regsub的-all选项控制。大小写、注释模式和其他匹配条件也可能由参数提供。跨语言迁移要把“要执行的操作”映射到宿主接口,不能只迁移模式中的字符。
全局操作的接口形式各不相同保存独立卡片。
原书依据 · 1 处
字符串、字符编码和匹配模式
正则表达式从源码到引擎之间可能经历字符串解释、插值或模式文字处理。原始字符串只简化其中一层,不能消除其他层的语义。C#普通字符串与逐字字符串的引号规则,原书存在混写,本笔记已按官方词法规则区分。
字符方面需分别理解外部字节、解码后的码点与视觉字符。同一个视觉字符可能含多个码点,外观近似也未必正规等价;字符类别、边界与大小写的Unicode支持程度还须分别核对。原文UTF-8的1至6字节说法不沿用,按Unicode FAQ限定为标量值的1至4字节。
匹配模式改变的是解释或应用方式。忽略大小写、自由排版、点号通配和行锚点增强分别控制不同方面,名称相似不等于互相替代。选项还可能局部作用;文字模式则可以让某片段按原样解释。所有这些规则都要连同具体版本与接口理解。
相同字形可以采用不同码点补充本项背景,主要讲解保留在相应章。
模式改变语义补充本项背景,主要讲解保留在相应章。
双重转义心智
以字符串提交正则时,宿主语言先解释字符串文字,正则引擎再解释得到的内容。要判断的是引擎最终收到什么,而不是源码里有几个反斜线。宿主先把\x2A变成星号,就可能使它在正则层成为量词;将反斜线保留下来交给引擎,则可让引擎按字符转义处理。宽松排列还会使实际空白与保留下来的\n等模式转义不同。不同语言和不同字符串形式各有规则;原始或逐字字符串只减少宿主层处理,不取消正则层语义。
双重转义心智保存独立卡片。
字符串形式应按宿主规则选择
正则字符串能否直接写反斜线,取决于宿主文字形式。Java普通字符串、C#逐字字符串、PHP单双引号、Python原始字符串和Tcl花括号并不共享一套规则。原书把C#普通字符串的双引号转义写混:普通字符串用反斜线转义双引号,逐字字符串才用连续双引号;不能复制该错误。依据:C#词法规范§6.4.5.6。记录语言和文字形式,比背一个“反斜线翻倍”的通则可靠。
字符串形式应按宿主规则选择保存独立卡片。
原书依据 · 1 处
模式文字与运行时模式有不同入口
Perl的模式文字可在交给引擎前处理变量插值、\Q…\E和字符名等。这些便利不一定属于引擎本身;从配置文件或参数读来的模式,经过的解释路径可能不同。排查某结构为何在源码中有效而在外部配置中无效时,应先区分模式如何构造、由哪一层解释,再核对引擎支持,不能仅凭最后的字形相同判断行为一致。
Perl把变量插进源码模式文字后,不会把变量值里的$var、\U或\Q等再当作一轮模式文字处理。插值不是递归执行源码;变量内容究竟作为正则片段还是普通文字,还由显式引用和构造方式决定。
模式文字与运行时模式有不同入口保存独立卡片。
码点标识与存储编码要分开
Unicode码点标识字符,UTF-8、UTF-16等规定怎样存储;模式中的码点转义也不直接规定要比较哪几个外部字节。输入须按约定解码,之后还要确认引擎以字节、码元还是码点处理目标。原文UTF-8可用1至6字节的说法不沿用:Unicode标量值的UTF-8表示为1至4字节,UTF-16为1或2个16位码元。依据:Unicode编码FAQ。
码点标识与存储编码要分开保存独立卡片。
原书依据 · 1 处
正则字符不等于视觉字符
人眼看到一个带重音字母,底层可能是一个预组码点,也可能是基本字母加组合记号。若引擎按码点处理,点号和字符组可能分别处理这些码点,量词也可能只作用于最后一个组合记号。字符簇相关构造如\X需按具体实现核对,不能把“一个可见字符”自动等同于一个点号。编码、正规化和匹配单位分别影响结果。
原书用\X表示基本字符加组合记号,并把它与点号比较,这是当时实现的范围。不能把书中的\P{M}\p{M}*展开式当作所有现代实现的字符簇定义;本卡保留匹配单位的区分,具体边界按目标版本核对。
正则字符不等于视觉字符保存独立卡片。
编码支持还须检查字符类别
程序能读入某种编码,只是第一步。还要核对点号匹配一个字节还是一个字符、\w和\b等是否覆盖该编码的字母、字符范围怎样解释,以及忽略大小写是否适用。多个构造的支持程度甚至可能不一致。书中的Java旧版本行为是例子,实际判断应绑定版本和模式,不能用“支持Unicode”四个字代替这些问题。
PHP本节的u选项只决定UTF-8解释,不等于默认简记自动变为完整Unicode类别。原文用L、N、Z替代单词、十进制数字、空白,三者并非等价:L缺数字与下画线,N比Nd宽,Z不含全部控制空白。应明确选择需要的集合,而不是机械替换。
编码支持还须检查字符类别保存独立卡片。
行终止符集合影响多个层次
输入可能使用LF、CR、CRLF或其他Unicode行分隔字符。读取接口怎样分块、点号排除哪些字符、行锚点在哪些位置成立,都受所支持的终止符集合影响。CRLF本身有两个码点,不能无条件按一个普通字符处理。应同时核对输入转换和正则规则,不能只看屏幕上是否显示为一次换行。
Java本节区分行终结符集合、点号通配和行锚点模式。UNIX_LINES缩小识别集合,DOTALL影响点号,MULTILINE影响行首尾;不能互相替代。
行终止符集合影响多个层次保存独立卡片。
大小写并非总是一一对应
Unicode中的大小写关系不总是两个单字符一一对应:可能有多个小写形态,也可能涉及多字符序列。忽略大小写模式实际覆盖哪些映射,依引擎、选项和版本决定。书中对当时引擎的测试不能证明今日只有某一工具能处理,也不能把ASCII中大小写成对的经验直接套到所有文字。
大小写并非总是一一对应保存独立卡片。
原书依据 · 1 处
点号通配与行锚点模式独立
常称“单行模式”的开关主要让点号包含原先排除的换行等字符;常称“多行模式”的开关则让^与$识别字符串内部的行边界。两个名字容易误导,它们并不是二选一的输入分块方式。要跨行匹配内容和要在每行边界定位,是两种独立要求;默认行为、行终止符集合和具体标志仍须按流派核对。
点号通配与行锚点模式独立保存独立卡片。
原书依据 · 1 处
文字模式用于按原样解释片段
文字模式让模式中的元字符按普通文本解释,例如把[a-z]*当作这串字符本身。完整的文字搜索通常可直接用字符串搜索;正则中的文字片段更适合与周围结构组合。Perl或PCRE相关入口提供的\Q…\E能屏蔽片段中的元字符,但终止标记本身仍特殊,支持和处理层也需核对。不能因为某部分变为文字,就忽略周围仍有意义的语法。
动态输入应先确定是模式还是普通查询文本。原书以用户输入含反斜线导致模式错误为例,可用宿主提供的模式引用函数或适合入口的文字范围保护片段;Regex.Escape、preg_quote、Pattern.quote等是各自接口,不能把输出当作适用于所有流派及替换字符串的通用转义。
本节Perl的\Q…\E主要用于保护插值文本中的正则元字符,quotemeta提供相应文字引用。它不停止源码层变量插值,\E等文字处理边界仍有意义;不能把它当成关闭所有宿主解析的开关。
文字模式用于按原样解释片段保存独立卡片。
常用的元字符和特性
这一节以操作参考的方式汇总字符表示、字符集合、位置断言与控制结构,但每一组语法背后仍有不同机制。字符转义须先确定数值与解释层,字符类别与书写系统、码点区块也不能混同。字符组运算是集合选择;支持不足时可由同位置断言约束实际消费。POSIX类别、排序元素及编辑器语法类则把环境设定带入字符解释。
锚点判断位置,行边界与绝对字符串边界不同;G类连续扫描锚点还关联迭代状态。零长度匹配可能触发扫描器推进,故当前尝试起点未必等于上一匹配末尾。单词边界只是字符类别相邻测试,逆序环视能接受多长的子表达式也受实现约束。
分组可以只负责结构,也可保存提取结果;命名减少消费者对序号的依赖,但命名与重名规则须按流派处理。条件结构可以依捕获是否参加或断言结果选择路径,捕获空串仍可能算参加。贪婪、懒惰和占有量词控制不同尝试方式,固化和占有会删除回溯机会,因此会影响可匹配结果,不能只看作速度选项。
本节中的旧版本支持表保留为历史背景。已核对并不沿用原文.NET差集额外方括号、Python允许重复命名组等错误;原文关于X的展开及平台差异均限当时实现,不当作现代通则。
元字符依赖语境补充本项背景,主要讲解保留在相应章。
正则字符不等于视觉字符补充本项背景,主要讲解保留在相应章。
字符简记不是固定ASCII集合补充本项背景,主要讲解保留在相应章。
锚点限定意图补充本项背景,主要讲解保留在相应章。
模式改变语义补充本项背景,主要讲解保留在相应章。
文字模式用于按原样解释片段补充本项背景,主要讲解保留在相应章。
捕获连接匹配与处理补充本项背景,主要讲解保留在相应章。
非捕获减少状态补充本项背景,主要讲解保留在相应章。
固化剪掉回溯补充本项背景,主要讲解保留在相应章。
量词规定组件允许的重复次数补充本项背景,主要讲解保留在相应章。
懒惰也会回溯补充本项背景,主要讲解保留在相应章。
原书依据 · 36 处
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
- · 查看原书依据
字符转义须核对数值与位数
控制字符可用\n等简记、八进制、十六进制或Unicode码点转义表示。不同流派对前缀、位数、花括号和越界值的规定不同,数字转义还可能与反向引用冲突。应先确定要表达的字符或码点,再核对宿主和引擎各自怎样解释源码;不能把某工具的\123、\x…或\u….规则当作通则。协议要求固定控制值时,也须区别该值与平台约定的换行。
字符转义须核对数值与位数保存独立卡片。
原书依据 · 1 处
点号与排除字符组的换行不同
点号常常不含换行,而[^\“]这样的排除组通常仍包含换行。把引号中的.*改成排除引号的重复,可能同时改变跨行范围,不能只认为后者更精确。点号的行为还受模式和行终止符集合影响;排除组也须按具体流派核对。字符选择方式的替换,可能改变整个表达式接受的输入集合。
点号与排除字符组的换行不同保存独立卡片。
原书依据 · 1 处
属性类别与书写系统区块不同
Unicode通用类别说明码点的性质,如字母、标记、数字或标点;Script描述书写系统;Block只是码点表上的连续区间。一个书写系统可能跨多个区块,一个区块也可能含不相关字符或未赋值位置。按区块选字符不能保证得到某语言的全部字母。\p{…}与\P{…}及Is/In前缀的具体含义依流派,外观相近的名字不能直接互换。
Java以In前缀引用区块,并提供Java字符判定属性;本书列出的区块别名和支持缺陷均有1.4.2⁄1.5⁄1.6版本边界,不能把区块当作自然语言字母集合。
属性类别与书写系统区块不同保存独立卡片。
按属性选择字符也需确定范围
本书把Unicode通用类别分成字母L、标记M、分隔Z、符号S、数N、标点P与其他C,并进一步细分,如Lu、Ll、Nd和Sc。\p{属性}选择具备该属性的码点,\P{属性}选择其补集;具体支持的缩写和全称仍依引擎。数字N不等于十进制数位Nd,区块货币名也不等于货币符号类别Sc,选规则时要先明确所需性质。
按属性选择字符也需确定范围保存独立卡片。
原书依据 · 1 处
字符组集合运算仍只选择一个字符
字符组的并集表示属于任一集合,交集表示同时属于两集合,差集表示属于前者而不属于后者。Java例中[a-z&&[^aeiou]]按这套规则选出ASCII小写非元音;它不是先匹配一个集合再匹配另一个。语法依流派,.NET差集应写[a-z-[aeiou]],原书多一层方括号的写法不照抄。依据:.NET字符组减法。
字符组集合运算仍只选择一个字符保存独立卡片。
原书依据 · 1 处
环视可以约束消费字符的集合
若某流派没有集合运算但支持环视,可先在当前位置断言“不属于待排除集合”,再用主结构消费“属于基础集合”的字符。两项针对同一位置,组合起来实现交集或差集的限制。也可在消费之后用适当逆序断言检查刚消费的字符,具体能力与成本依引擎;不能把断言放在不同位置后仍认为约束的是同一字符。
环视可以约束消费字符的集合保存独立卡片。
原书依据 · 1 处
POSIX字符类嵌在方括号中
POSIX的[:lower:]等类别要嵌入方括号表达式,完整形式如:lower:。alnum、alpha、digit、space、blank、print、punct和xdigit等按类别选字符,实际集合受locale与实现影响。尤其blank与space并不总指同一集合;不能把ASCII示例展开当作所有语言环境下的恒等式,也不能省掉外层方括号。
POSIX字符类嵌在方括号中保存独立卡片。
原书依据 · 1 处
排序序列与字符等价类依赖环境
POSIX方括号表达式中的[.名称.]可引用locale的排序元素,[=名称=]可引用其字符等价类。排序元素可能由多个实体字符构成,因此“一个逻辑元素”未必只有一个码点;等价类也可能把带重音与不带重音字符归为一组。具体名称、成员和支持均依环境,不能把书中西班牙语或字母n的例子当作每个locale的固定规则。
排序序列与字符等价类依赖环境保存独立卡片。
原书依据 · 1 处
编辑器语法类可随文本模式变化
书中Emacs用\s加语法类代号、\S加代号表示属于或不属于某语法类,如\sw与\s-。这些集合由编辑器的语法设定决定,可以随所编辑内容调整;“单词字符”并不是只由正则字形固定。使用这类接口时,应把编辑器模式与语法表也作为匹配环境的一部分。
编辑器语法类可随文本模式变化保存独立卡片。
原书依据 · 1 处
连续扫描锚点关联迭代状态
\G将匹配约束到与迭代状态相关的位置,使程序可在当前位置依次尝试多个模式,而不任意跳过无法处理的文本。书中Perl的/g记录位置,/c可在失败时保留位置,pos可检查或修改它;共享的是目标字符串的状态。其他接口的状态归属和复位规则不同,零长度匹配后的推进还会使“上一匹配末尾”与“下一尝试起点”不同,须核对实际语义。
邮编例图297把\G放在开头以约束当前迭代位置;正文“末尾添加”的表述与代码及解释不一致,不沿用。只在成功路径跳过完整记录不足以防止失败后的搜索失步,必须把失败和结束情况一并设计。
本节Perl的/gc在失败时保留pos,可让多个以\G开头的模式依次尝试同一位置;成功者推进,\G\z可判断到达末尾。这个状态归目标字符串所有,修改目标或切换其他匹配形式可能复位,不能只按当前模式推断。
连续扫描锚点关联迭代状态保存独立卡片。
单词边界不是自然语言分词
通常的单词边界只是相邻位置两侧是否属于某字符类别的判断,不理解词义。NE14AD8可被视作一个单词,M.I.T.却被分开;不能因此声称程序理解了自然语言。边界采用的单词类别也不保证与同一引擎的\w完全一致。选择检索规则时,应明确需要的是字符类别边界还是语言层面的分词。
单词边界不是自然语言分词保存独立卡片。
原书依据 · 1 处
逆序环视的长度限制依实现
逆序环视支持可能只允许固定长度,也可能接受不同长度的分支、有上界的变长结构,或更宽的表达式。书中以当时几种引擎比较这些层次;规则与版本绑定,不能由“支持环视”推断都能使用\w+等结构。某些否定条件能拆成多个固定长度断言,但仍须验证逻辑等价性与所处位置;可表达不等于成本总是合适。
逆序环视的长度限制依实现保存独立卡片。
原书依据 · 1 处
命名捕获表达提取内容的角色
给区号、交换号等捕获起名,可让消费者按业务角色访问,减少对数字序号的依赖。但定义、模式内反向引用、结果访问和替换模板的写法都依接口。重用同名捕获也不能跨流派假定有效:原书将Python列为支持重复定义同名组有误,Python官方re规定每个组名只定义一次。依据:Python re命名组。
本节在原书尚无原生命名捕获的Perl版本中,用最近闭合捕获N、局部临时表与模式文字重载演示模拟。它仍受字面分段、插值和副作用提交规则限制,是历史实现思路,不表示现代Perl没有原生命名组。
命名捕获表达提取内容的角色保存独立卡片。
多选分支的范围由低优先级决定
多选竖线的优先级低,this and|or that分成this and与or that两支,不是固定this与that之间选择and或or。要约束局部选择,应显式分组。某些流派允许空分支,它代表一次成功的空匹配;这种可选性可能改变后续匹配行为,且并非所有标准或工具都支持。
多选分支的范围由低优先级决定保存独立卡片。
原书依据 · 1 处
条件判断可依捕获参与状态选择
条件结构(?(条件)then|else)按测试选择后续子表达式,支持哪些条件依流派。捕获是否参与不同于捕获内容非空:(<)?可以让整个组不参加,(<?)则让组参加并可能捕获空串,依据该组的条件因而不同。书中配对尖括号例子用此差异决定是否需要闭括号;环视或宿主代码条件的支持须另行核对。
条件判断可依捕获参与状态选择保存独立卡片。
原书依据 · 1 处
占有量词不交还已消费内容
占有量词如*+或++按其量词先消费,随后不为外部失败交还这次消费的内容,作用类似把贪婪重复放入固化组。书中.++与(?>.+)说明这种控制关系。它会剪去本来可能成功的回溯路径,所以只能在输入结构与后续要求允许时使用;原书所列支持引擎是历史快照。
将占有重复转成固化组时,须连重复量词一起包进组内;M++对应(?>M+)而非(?>M)+。同样,(?>.*?)在原书的原子语义下先以空匹配成功,退出后又不能扩张;这是成功匹配空串,不能误说成匹配失败。
占有量词不交还已消费内容保存独立卡片。
高级话题引导
前面三章建立符号、流派和接口的共同基础;第4章研究引擎怎样选择匹配,第5章用实际复杂数据练习,第6章再据执行原理讨论效率。后面的语言专章依赖这些机制。这是一张阅读路线图,本节没有独立展开新构造。
表达式的匹配原理
本章从符号和接口转向执行过程:模式怎样组织,会影响能否成功、匹配哪个范围,以及成功或失败需要多少工作。后面的讨论采用原书对引擎的分类,理解时须区分书中回溯式NFA语境与形式自动机的广义术语。
发动引擎
作者用发动机与排放标准区分实现方式和结果规范:实现怎样运行,与结果须符合何种选择规则,是两个层次。书中归纳DFA、传统型NFA和POSIX NFA;同一工具也可能混合引擎。
这里的NFA讨论主要针对回溯式实现,不能据此把全部NFA算法都理解为回溯。外部术语核对采用Russ Cox原作者文章的NFA与回溯比较,不把其中历史性能数字作为当前实测。本节给出的测试表达式只是观察线索,优化和混合路径会使短测试不足以识别内部结构,本轮没有执行这些测试。
引擎类型决定结果
本书把引擎粗分为DFA、传统型NFA和POSIX NFA,用来讨论匹配选择及成本:实现方式与必须符合的结果规则是不同维度,混合系统还可按模式选择执行路径。书中NFA主要指回溯式实现,并非所有NFA算法都如此;Thompson NFA模拟也能同时推进状态集合。术语补充依据:Russ Cox原文。具体工具、特性和版本须分别核对,不能仅凭书中的旧版本表预测现代结果。
本节图片专栏“NFA理论与现实”也明确区分数学上的NFA与实践中沿用的引擎称呼;另一专栏说明混合系统会按是否需要反向引用、捕获等切换路径。因此术语外延的限定既有原书依据,也有外部算法资料核对。
引擎类型决定结果保存独立卡片。
引擎测试结果只是行为线索
原书用分支结果、懒惰量词支持和失败耗时来辨认引擎,但它也指出混合实现和高级优化会让结果不唯一:很快返回既可能来自DFA,也可能来自优化后的回溯式实现。测试应记录具体模式、输入、版本与选项,观察的行为不能直接当成内部算法证明。本文未执行原书的高开销失败测试,也没有据其性能数字判断本机引擎。
引擎测试结果只是行为线索保存独立卡片。
原书依据 · 1 处
匹配的基础
本节先区分搜索起点与起点内部的表达式尝试。原书的普通向前搜索优先找到最早能让整个模式成功的位置;某分支在更后面出现,不会仅因为写得靠前就胜过更早的完整匹配。量词的偏好发生在具体起点与组件内部,后面还有必须满足的约束。
贪婪重复会先消费较多内容,但为了后续组件成功可能交还。多个贪婪组件相邻时,前者先获得机会,后者只拿到使全式成立所需的部分。因此“提取最后一个数字串”不能简单在.*之后再写[0-9]+,否则可能只取得末位;测验答案用2003最终只留下3说明这种分配。
贪婪不是最长补充本项背景,主要讲解保留在相应章。
普通向前搜索先确定最早起点
在本书讨论的普通向前搜索中,先在当前起点尝试整个模式;失败才向右换下一个起点,最早能成功的位置优先。fat|cat|belly|your匹配示例句时得到先出现的belly,而不是书写顺序第一的fat。同一起点内仍可能有多个结果,由引擎的选择规则决定;这里没有规定最长长度,也不推广到反向或指定起点等不同搜索接口。
普通向前搜索先确定最早起点保存独立卡片。
原书依据 · 1 处
相邻贪婪组件会竞争同一段文本
前面的贪婪组件先尝试占用文本,后面的组件只有在全式必须时才迫使它交还。书中^.*([0-9]+)用于Copyright 2003.时,数字捕获是3,并非2003;.*只需交出最后一位就足以让后面成功。两个组件各自贪婪,不意味着后者能取得人希望的最长字段。提取规则应通过边界与允许字符明确表达。
相邻贪婪组件会竞争同一段文本保存独立卡片。
原书依据 · 1 处
表达式主导与文本主导
书中把按子表达式依次尝试、失败后换分支的回溯式执行称为表达式主导;把读入字符后更新可行状态的执行称为文本主导。tonight例子中,前者逐一尝试nite、knight、night,后者随文本排除不再可行的路径。
这个对照解释为什么等价表达式的重排会影响回溯式路径和重复检查,但不能把描述扩张成所有NFA都必定回溯。匹配结果相同,也不表示捕获内容相同;书中列出的几种tonight重写改变了括号结构,应分别核对提取接口。
NFA需要设计
在本书的回溯式NFA语境中,表达式的层级、分支顺序与量词组织会决定尝试路径。失败后可能在相同文本上换另一条路径,因而两种接受相同文本的表达式仍可能有不同成本。这里讨论的是回溯式实现,不把所有NFA算法归入它。重写时还须核对捕获接口:即使最终匹配范围相同,括号数量和提取结果也可能改变。关联:回溯保存选择。
NFA需要设计保存独立卡片。
原书依据 · 1 处
随输入排除不可行状态
书中的文本主导模型随读入字符更新可行状态,而不逐分支把同一段文本从头再尝试。若仍有可能到达更长的结果,可以继续推进并保留已发现的完整匹配;所有后续可能失效时再根据规则返回结果。这个机制解释了与回溯式搜索的路径差异,但不是每种实现的完整优化和内存模型,也不据此保证所有等价写法的总开销绝对相同。
随输入排除不可行状态保存独立卡片。
原书依据 · 1 处
回溯
回溯式匹配遇到分支或可选重复时,选择一条路,并记录尚未尝试的备选。后续失败不一定是整个模式失败:引擎回到最近的备用状态,恢复模式位置、文本位置及相关捕获,再尝试另一条路。只有当前起点的路径都走不通,外围搜索才换起点。
贪婪与懒惰决定先走哪条路;回溯的后进先出决定失败时先试哪条备用路。ab?c和ab??c可以经过不同路径匹配相同的abc;加号的下限又使它不能退到一次也没有。这里解释的是机制,不要求实际实现按示意图逐字符分配对象。
回溯保存选择
回溯式引擎在分支或可选重复处保留未走的选择。备用状态包含模式中的继续位置、文本中的位置,以及需要恢复的捕获等状态;局部失败时,优先回到最近保留的选择,即后进先出。当前起点所有路均失败后,普通搜索才可能换到下一个起点,后者与表达式内部回溯是两层动作。成功的局部匹配不保证全式成功,捕获也不能保留已经被放弃路径上的旧结果。
回溯保存选择保存独立卡片。
原书依据 · 1 处
懒惰也会回溯
懒惰量词先选择少匹配或跳过,并保存以后扩张的选择;后续失败时仍会回溯并尝试更多内容。ab??c在abc上先跳过b,因c无法匹配b而返回尝试b,最终仍可成功。它改变的是路径先后,并不保证只取最短目标或只检查一次。要排除某种内部内容,应明确约束允许的字符或结构,而不是仅靠懒惰偏好。
懒惰也会回溯保存独立卡片。
贪婪不是最长
在本书的回溯式模型中,贪婪量词先尝试较多重复,后续失败时可按备用路径交还内容,直到全式成功或选择耗尽。贪婪描述组件的尝试顺序,不保证整个结果全局最长。比如.*在前、数字重复在后时,前者可能只交还足够让后者成功的末位。第1章<.*>跨过多个标记的例子也说明:量词偏好不能替代对输入内部结构的限制。关联:引擎类型决定结果。
贪婪不是最长保存独立卡片。
回溯不能破坏量词的匹配下限
[0-9]+必须至少成功一次,因此回溯不能把它缩到零次;星号允许零次,但独立的[0-9]*在目标起点便可能以空串成功,不一定会继续搜索后面的数字。原书测验将“理论上容许零次”与“本次路径实际是否到达零次备用状态”分开。分析匹配需同时考虑下限、当前位置和全式成功条件。
回溯不能破坏量词的匹配下限保存独立卡片。
原书依据 · 1 处
关于匹配优先和回溯的更多内容
本节从引用文本、价格截取与日期提取说明:成功不是需求正确。.*会跨过分隔符,懒惰也只表示先少匹配,后续仍能迫使它越过不希望跨越的结构。单字符分隔可由排除组约束,多字符边界则要按完整结构判断。
价格例子把尾部数字从可选改成必需后,前面可选第三位会被交还,导致原本应保留的27.625被截成27.62。固化和占有能在适当范围内删除这些备用路径;只固化一次组件与固化整个重复的效果不同。环视内部也有自己的尝试与回溯,成功后留下捕获但不消费内容的机制还能配合反向引用模拟固化,前提是目标流派支持这些行为。
传统回溯式引擎的多选有先后次序,先成功的分支若已足以完成全式,就不会为了更长文本再试下一支。重排分支会影响结果,可选重复与多选的改写也必须保持尝试顺序和捕获接口。日期例子只是1至31的范围与分支选择演示,不是完整日期验证。
定界文本须说明内部字符规则补充本项背景,主要讲解保留在相应章。
占有量词不交还已消费内容补充本项背景,主要讲解保留在相应章。
懒惰匹配不能代替禁止跨界
.*?先尝试尽早遇到闭合标记,但若前一开标记没有就近闭合,点号仍可吞入下一组的,直到后面的使全式成功。若需求明确不允许跨过新开标记,应把该限制写入每步消费条件,而不是依赖“懒惰”两个字。单字符排除、多字符断言和嵌套解析表达的是不同输入规则。
懒惰匹配不能代替禁止跨界保存独立卡片。
原书依据 · 1 处
强制后部匹配可能改变前部捕获
价格截取式原本允许尾部没有多余数字。把尾部\d*改成\d+想避免无效替换,却会让可选第三位交还给必须的尾部:27.625仍能匹配,并被改成27.62。根因是只强化后部,却忽略前部有备用路径;改为懒惰也不会使这个错误路径消失。修改一处量词后,要检查整条匹配路径与捕获结果,而不只检查新条件看似更严格。
强制后部匹配可能改变前部捕获保存独立卡片。
原书依据 · 1 处
固化剪掉回溯
(?>…)在其内部仍可正常尝试和回溯,但成功退出时会丢弃内部尚可回退的选择。外部后续失败不能再进入这些选择;外部更早的状态却仍可放弃整个组或重新应用它。它可能保持原结果、改变结果或使原本成功的匹配失败,也可能减少无效失败尝试。价格例把“可选第三位”固化,是为了防止已经保留的非零第三位再被交还,并非无条件提速。
固化剪掉回溯保存独立卡片。
固化范围决定哪些选择被删除
(?>M)+只固化每次M内部的选择,外层加号仍可退回较少的重复;(?>M+)把整个重复放进固化范围,退出后不能靠减少次数满足后续。M++对应后一种范围,不能简单把原括号改成固化括号就算转换完成。为复杂重复加固化时,应画清组与量词的层级,再判断需要保留或删除哪些备用路径。
本节再次比较(?>分支)与(?>分支)的范围:前者仍保留外层重复减少次数的机会,后者才覆盖整个重复。外层占有量词和仅在每次迭代内固化,删除状态的时间与范围不同,不能混作同一改写。
固化范围决定哪些选择被删除保存独立卡片。
只有确定无用的回退才适合剪除
书中^\w+:匹配Subject时,末尾冒号失败后,从\w+交还的字符仍是单词字符,不可能成为冒号。在这个字符集合互斥的前提下,固化\w+可避免这些无用回退;若后续需要的字符可能已被前部消费,固化便会破坏成功路径。分析应保留冒号等实际约束,不能复制原文漏写冒号的示意式当作等价优化。
只有确定无用的回退才适合剪除保存独立卡片。
原书依据 · 1 处
环视的内部回溯有独立边界
在本节讨论的原子环视语义中,内部子表达式可以保存状态并回溯,以确定当前断言能否满足;退出该环视后,其内部备用路径不供外部继续回溯。否定环视对“内部是否存在成功匹配”的结果取反,但仍不消费这些字符。因此零宽不等于内部没有工作。这个结论绑定相应流派的环视语义,不推广到另设非原子断言的扩展。
环视的内部回溯有独立边界保存独立卡片。
原书依据 · 1 处
捕获再消费可模拟原子效果
若流派支持原子肯定环视、其中捕获及外部反向引用,可先用(?=(regex))确定并捕获内容,再用相应反向引用实际消费。环视退出后不保留内部备用路径,外部失败就不能令该内容缩短,形成类似固化的效果。编号须避免与其他捕获冲突,且还需重新消费一次文本;这是有前提的兼容技巧,不优于所有原生固化实现。
捕获再消费可模拟原子效果保存独立卡片。
原书依据 · 1 处
有序多选能表达策略
传统回溯式引擎按书写顺序尝试多选分支。先成功的分支若已能完成整个模式,后面即使可能更长也不再尝试;若后续失败,仍可回到后面的分支。tour|to|tournament因此可能只取tour,而非tournament。有序多选表达的是“先试哪个”,不是全局最长或最短保证;输入起点的搜索优先级又是另一层。
有序多选能表达策略保存独立卡片。
原书依据 · 1 处
可选结构展开须保留尝试顺序
把贪婪的可选X?展开成多选时,先试X、再试空分支才能保留尝试偏好;若把短路径放前,可能提前成功,改变捕获和消费范围。书中价格的“二位或三位”写法就因短分支在前而不再等价。结构接受相同输入只是一个维度,还应比较匹配范围、捕获、后续回退及成本。
可选结构展开须保留尝试顺序保存独立卡片。
原书依据 · 1 处
短分支提前成功会截断字段
日期示例把0?[1-9]放在1至31多选的前面,匹配Jan 31时便可能先以3完成,而没有取得31。可将较长分支安排在前,或通过互斥的起始条件与恰当边界表达字段。分支顺序解决的是当次选择问题,不能替代字段结束约束,更不能据此证明月份、闰年等完整日期合法。
短分支提前成功会截断字段保存独立卡片。
原书依据 · 1 处
NFA、DFA和POSIX
最左最长先固定最早的成功起点,再在这个起点上选择最长结果。传统回溯式引擎则可在第一条完整路径成功后停止,所以局部量词贪婪仍可能错过更长的整体结果。one(self)?(selfsufficient)?就是这种区别;续行赋值例子进一步显示,后部全可选时,贪婪或懒惰都不能凭意图决定边界。
书中把穷尽备用路径再选最长描述为一种POSIX NFA实现方式,POSIX规定的是结果而非必须采用该算法。编译准备、匹配成本、特性支持与实现复杂度应分开衡量。延迟构建状态可减少未用部分的准备成本,混合实现也能结合不同算法。图片中的“理论与现实”专栏已明确指出数学NFA与书中实践术语不同,本笔记保留这项作者自身限定。
引擎类型决定结果补充本项背景,主要讲解保留在相应章。
最左最长先固定起点再比较长度
最左最长要求先选最早能成功的起点,再在该起点的候选中取最长;不是在整个输入里不顾起点寻找最长片段。one(self)?(selfsufficient)?在oneselfsufficient上,传统回溯式选择可先得到oneself,而最左最长可选到整串。局部组件的贪婪与全局结果规范属于不同层次,不能互相替代。
最左最长先固定起点再比较长度保存独立卡片。
原书依据 · 1 处
全可选后缀不能强迫正确边界
续行赋值例子希望反斜线加换行把多个物理行连成一个逻辑值。前部.*若先吞掉反斜线,后面的可选续行不会迫使它交还;改成懒惰后,全可选内容又可能在等号后立即结束。问题是模式没有把结构边界与需要消费的内容明确联系起来,不能只切换贪婪/懒惰就当作解决。后续实用章将继续展开。
全可选后缀不能强迫正确边界保存独立卡片。
原书依据 · 1 处
最长结果规范不规定唯一实现算法
POSIX对最左最长的要求描述应返回什么结果,没有规定只能使用DFA。原书以让回溯式引擎继续遍历候选再选最长来解释一种做法,其工作量可能超过找到首个成功即停止;这不等于所有符合POSIX的实现都必须机械穷举同样的路径。判断结果合规与分析实现性能应分开。
最长结果规范不规定唯一实现算法保存独立卡片。
原书依据 · 1 处
编译成本与执行成本需要分开计算
引擎先把模式变成内部表示,再应用到目标。构建状态转换可能投入较多准备时间与内存,复用可摊薄成本;按需要延迟构建状态,则能避免为未用路径提前准备。编译、内存和匹配成本不能合成一句“哪类引擎永远更快”,实际模式、输入、功能与优化都会影响取舍。
编译成本与执行成本需要分开计算保存独立卡片。
原书依据 · 1 处
总结
本章的主线是从外部搜索起点进入内部路径选择:先明确调用任务,再理解贪婪、懒惰、多选顺序和备用状态,最后判断哪些回退可删除以及规范要求哪个完整结果。传统回溯式的首个成功与最左最长可能不同。下一章将把这些机制用于更复杂的数据,效率章再讨论如何减少无效工作。
正则表达式实用技巧
本章通过反复修正实例,把“能匹配正例”推进为“匹配应取范围并拒绝不应取内容”。例子不要求读者使用同一种语言或处理相同业务,重点是根据执行路径检查边界、失败和输入假设;成本另在效率章展开。
正则表达式的平衡法则
准确选择与排除、可理解和可控制,以及适当的执行成本,需要结合任务权衡。一次命令行筛选可以容忍人工查看候选,大程序的数据校验则需要更明确的约束。即使模式相同,少量启动检查和逐行扫描大文件的成本意义也不同。
正则平衡法则
好的模式要平衡匹配需要的文本、排除不需要的文本、可理解与可控制,以及适当的执行成本。平衡点由任务决定:临时检索可让人复核候选,重要程序则需更准确的约束。性能也取决于调用次数与数据规模,启动时少量参数检查与逐行扫描大文件,不能只按单次相对速度作同样判断。
正则平衡法则保存独立卡片。
若干简单的例子
续行、地址、路径和括号的例子共同要求:先描述每个位置真正允许的内容,再选构造。续行若只把普通点号改成排除反斜线,会错误排除行内正常的反斜线;更完整的单元是普通字符或一个完整转义对。IPv4教学例子又把字段形状、数值范围、提取上下文和特殊用途分开,不能用一套子串模式同时替代所有校验。
路径例子展示锚点与任务方向:删除到最后分隔符之前的前缀,和从末尾提取不含分隔符的片段,是不同扫描方式。没有分隔符、末尾就是分隔符及文件名自身包含换行等情况,均需按所需约定判断;语言通常已有路径函数。括号嵌套则要区分有界展开与任意深度能力,简单排除闭括号不能识别嵌套。
全可选的数值模式会在无数字时成功匹配空串。引文中的转义反斜线又说明:只看引号前一个字符不够,必须让转义对与普通文本分支不重叠,避免回溯重新解释同一反斜线。最后对空白剥离的几种实现比较,只保留任务拆分与路径成本的机制;原书倍数不是本轮基准。
锚点限定意图补充本项背景,主要讲解保留在相应章。
定界文本须说明内部字符规则补充本项背景,主要讲解保留在相应章。
转义序列应作为完整单元消费
续行例子允许普通非反斜线/非换行字符,或反斜线与其后一个字符组成的完整单元。若只是把点号换成排除反斜线的字符组,就会误拒绝行内的反斜线;若允许点号包含换行,又能把转义换行纳入同一单元。先把输入文法拆成明确单元,再选择模式和选项,比让贪婪程度猜边界可靠。
转义序列应作为完整单元消费保存独立卡片。
原书依据 · 1 处
数字字段形状与数值范围分开约束
四段点分数字只是IPv4教学例子的形状;限制每段1至3位仍会接受999。要限制0至255,可按首位和后续范围分支,或先提取字段再交普通程序检查。原书容许前导零的写法属于它的约定,不能自动等同某个现代解析接口;\d的字符范围与整串边界也须另核对。
数字字段形状与数值范围分开约束保存独立卡片。
原书依据 · 1 处
地址格式与特定用途限制不同
字段均落在范围内,不表示地址适用于任何网络用途;但不能把特殊用途直接说成格式非法。原书一概称0.0.0.0非法过于绝对,IANA将0.0.0.0/32列为“This host on this network”,并分别标识来源、目的及可转发性。格式提取和业务许可应分开判断。依据:IANA特殊用途IPv4表。
地址格式与特定用途限制不同保存独立卡片。
原书依据 · 1 处
嵌入文本提取还需限制字段两侧
完整字段的模式去掉整串边界后,可能匹配更大数字串的内部,也可能因短分支先成功而只取最后一段的一部分。书中IPv4提取进一步限制两侧不能是单词字符或点号;普通词边界无法排除“六段点分串里的四段”这类误取。提取、整串验证与数值校验的边界要求不同,应按上下文分别表达。
嵌入文本提取还需限制字段两侧保存独立卡片。
原书依据 · 1 处
路径拆分应明确最后分隔符和空值
示例用贪婪前缀定位最后一个斜线,再分别取路径和文件名;从尾部提取不含斜线的内容,则必须约束结尾。没有斜线和路径末尾是斜线是不同输入,可能分别返回整个文件名或空文件名。Windows反斜线还要经过宿主与模式两层转义。本例是字符串分隔教学,不处理所有平台路径规则;实际已有路径接口时应按任务选择。
路径拆分应明确最后分隔符和空值保存独立卡片。
原书依据 · 1 处
有界嵌套展开不同于任意深度解析
排除右括号只能找到某个右括号,.*又可能跨过多组,二者都不自动知道嵌套配对。已知最大深度时,可逐层展开普通内容与子括号结构;深度增长会使表达式复杂。任意深度处理需依目标引擎的递归、平衡组等能力或其他解析方法。即便加入嵌套,还须处理字符串和注释中的括号,不能把演示式当成完整源码解析器。
有界嵌套展开不同于任意深度解析保存独立卡片。
原书依据 · 1 处
数值模式至少须要求一位数字
-?[0-9]*.?[0-9]*中的每部分都可空,于是无数字文本及num 123的起点都能以空串成功,根本不必走到数字。允许整数、小数和省略整数部分时,应让不同分支各自确保至少一位数字,并把小数点与所属小数部分组合。之后仍需确定整串验证还是文本提取,不能仅凭正例可匹配就声称识别了数字。
数值模式至少须要求一位数字保存独立卡片。
原书依据 · 1 处
反斜线分支重叠会误认闭合引号
引文模式把转义对与“非引号字符”并列时,后者也能消费反斜线。缺少真正闭合引号时,回溯可能把先前的转义对拆开:普通分支吃反斜线,转义引号便被当成结束。这不是交换分支顺序能根治的;普通分支同时排除反斜线和引号,让转义只能按完整单元处理,才明确了文法。还须说明点号是否允许转义换行。
反斜线分支重叠会误认闭合引号保存独立卡片。
原书依据 · 1 处
真实数据需要假设
每个模式都依赖输入和使用方式的假设:编码、换行、转义约定、是否包含注释,以及执行的是整串验证还是局部提取。把引文识别式直接用于整个源文件,可能误取注释中的引号;把历史URL候选规则当作标准校验,也会混淆任务。假设本身并非错误,隐而不说、超出范围使用才使结果难以判断。应把这些假设随模式记录。
第5章新闻URL例子明确假定ASCII数据并限定有限的历史后缀、标点启发式和误报处理。不能把这张列表、简单端口拆分或单标签样例提升为现代域名/URL/HTML完整规范。
真实数据需要假设保存独立卡片。
首尾空白可按两个独立任务处理
本节用两个替换分别去除开头与末尾的空白;用+可避免没有空白时仍做空替换。合并成一个表达式可能引入懒惰后的反复测试、可选捕获及全局分支等额外机制,未必更清楚或更快。\s的范围、换行选项与接口语义须按目标核对;原书的几倍速度是特定数据与实现的比较,本轮未复现。
首尾空白可按两个独立任务处理保存独立卡片。
原书依据 · 1 处
HTML相关范例
标签中的引文可能包含>,所以“到第一个>为止”不足以定位标签边界。示例把完整单引文、双引文与其他字符分开,避免同一个开头有多种解释;这只是本节选定输入的结构规则。链接提取则分成标签内容与href值两个步骤,再从不同捕获分支取得值。
识别候选、从已知URL中拆部分、验证主机名是三种不同任务。作者为财经新闻排除大写股票代码而只接受小写后缀,是结合误报成本的业务取舍,并非URL规范。长模式用可复用片段组织,同时注明ASCII文本、有限后缀和句末标点等假设;端口默认值与完整URL语法不混同。
把公共模式保存为唯一来源补充本项背景,主要讲解保留在相应章。
真实数据需要假设补充本项背景,主要讲解保留在相应章。
引文可改变标签终止字符的意义
HTML教学例子中,属性引号内的>不结束标签,所以<[^>]+>会过早停止。可将完整单引文、完整双引文和非引号/非>字符作为不同单元,直到真正的结束符。空属性引文也须允许。本模式只展示选定标签结构的边界处理,未处理注释、脚本内容和全部文法,不能据此宣称已能解析或安全清理任意HTML。
引文可改变标签终止字符的意义保存独立卡片。
原书依据 · 1 处
分步提取可减少单个模式的职责
书中先提取链接标签的内部属性文本与链接正文,再在属性文本中寻找href值。双引号、单引号和无引号的值用不同分支捕获,消费者再选择参与的捕获或命名组。两步减少一条模式同时承担的工作,但每一步的边界和输入假设仍须成立;原书第一步主动采用了不覆盖引号内>的简化式。
分步提取可减少单个模式的职责保存独立卡片。
原书依据 · 1 处
识别提取与验证需要不同证据
已知输入是某类URL时,按分隔符拆主机和路径;从普通文章中寻找URL候选时,须应对误报与句末标点;验证字符串是否满足某规范时,又要检查完整边界与限制。三者都可能写成“匹配主机名”,实际任务不同。更严格的验证式拿去扫描文章,也可能把普通双字母词误认成主机名,不能按模式复杂度判断适用性。
识别提取与验证需要不同证据保存独立卡片。
原书依据 · 1 处
局部模式可表达数据中的误报取舍
财经新闻示例对域名主体忽略大小写,对后缀要求小写,以减少把NT.TO之类股票代码识别为URL。这个取舍会漏掉原本可能合法的大写后缀,作者明确接受它。模式应记录这种召回与误报的权衡及数据范围,不能把有意排除的形式写成通用语法不合法。
局部模式可表达数据中的误报取舍保存独立卡片。
原书依据 · 1 处
扩展的例子
固定宽度记录的筛选首先要保持记录边界:识别出5位一组之后,再筛44开头即可;若直接搜索44加3位,失败后的逐字符推进会落入记录内部。只让成功路径按5位跳过也不够,最后失败时仍会失步。连续扫描锚点可约束这种状态,但须核对它在目标流派中的含义。
CSV例子又把“能找到内容”与“能按字段顺序保留空值”分开。引文中的连续双引号是一个内部引号,逗号可能是引文内容,空字段也占据位置。将字段改为可空后,必须显式处理分隔符和合法起点;否则会冒出多余空值,或让空分支抢先成功并跳过引文字段。引擎不应默默推进越过坏数据。
本章程序针对已去掉记录换行的单行与自定CSV方言。Java复用匹配对象并按参与捕获取值,VB.NET采用相应组和NextMatch接口;外部方言若改了分隔符、空白或转义,识别与解码都要同步改。这里没有交付通用CSV解析库。
连续扫描锚点关联迭代状态补充本项背景,主要讲解保留在相应章。
避免重复编译补充本项背景,主要讲解保留在相应章。
固定宽度筛选须始终保持记录对齐
连续5位邮编中查44开头的记录,直接搜44加3位会把跨记录片段误认成结果。即使成功时按5位跳过不合格记录,最后失败后的逐字符搜索仍会破坏对齐。可以约束扫描起点和失败行为,或先逐个提取完整5位记录再用普通代码筛选。记录边界是整个迭代过程的不变量,不能只看成功时是否前进了5位。
固定宽度筛选须始终保持记录对齐保存独立卡片。
原书依据 · 1 处
CSV空字段仍占据字段位置
CSV行中的连续逗号表示存在空字段,不能像只提取非空片段那样略去,否则后续列全部错位。引文字段可包含逗号,并以连续双引号表达内部引号,识别后还要去掉外围引号并解码。本章先假设记录换行已经移除;这不是把任意文本按物理行拆开就都能解析的保证。
CSV空字段仍占据字段位置保存独立卡片。
原书依据 · 1 处
可空字段必须与分隔符共同定位
将CSV普通字段从+改为*虽然能保留空值,但若逗号没有被模式消费或限定,字段末尾到逗号前也会多出空匹配。应显式消费分隔符或约束合法字段起点和终点,并明确首次、末尾及空字段处理。能空匹配的普通分支放在引文分支之前,还可能提前成功,让扫描器越过引号;引文字段应获得正确尝试机会。
可空字段必须与分隔符共同定位保存独立卡片。
原书依据 · 1 处
解析失败不能静默跳到后面继续
连续字段解析若遇到不合法位置后仍允许普通搜索向后推进,可能把引文内部的逗号后片段当成新字段。按上一次结束位置继续并拒绝跳跃,能暴露这种失步,而不是把残片装成正常结果。它仍不自动证明整个输入合法;消费者需要区分完整处理、结束与异常,尤其不能把“找到了若干字段”当作已消费全记录。
解析失败不能静默跳到后面继续保存独立卡片。
原书依据 · 1 处
CSV方言变化须同步识别与解码
分隔符可能是逗号、分号或Tab;分隔符后的空格可能保留也可能忽略;引号内部也可能用成对引号或反斜线转义。改变字段模式时,后续解码必须配套:原先把双引号对变单引号的操作,不能原封不动用于反斜线转义格式。先记录方言与记录边界,再讨论兼容,不宜用某个软件名替代完整约定。
Java例把非引号字段直接取出,引号字段再把两个连续双引号解码为一个;复用Matcher与占有量词只是实现手段,不改变字段方言、空字段和连续定位的要求。
CSV方言变化须同步识别与解码保存独立卡片。
打造高效正则表达式
本章在正确性的基础上讨论回溯式引擎的工作量。独立测试和备用路径数用来解释相对成本,而非要求使用者机械计数;优化器可能提前排除目标,实际执行未必与示意模型逐步相同。需要同时保留引擎、数据、匹配结果和测试条件。
模型计数不替代实际测量
原书用独立测试、回溯和迭代次数,比“很多”更具体地说明路径成本,但也明确这些是具体例子的粗略模型。实际引擎可能跳过不可能起点、提前检查必需字符,甚至不进入匹配。分析计数有助于定位浪费,不能不经验证就当作真实指令数或跨实现的绝对耗时。
模型计数不替代实际测量保存独立卡片。
原书依据 · 1 处
典型示例
引文识别的互斥分支可以按常见情况排序,减少成功路径上的备用尝试;但分支重叠时,顺序可能掩盖错误。另一项看似有效的改动是把普通字符合成连续段,减少外层迭代,却使连续段与外层重复有许多分割方式。
这种嵌套重复在简单成功样例上很快,面对缺少闭合引号的输入却可能遍历大量等价分割。传统回溯式在首个成功时能停,失败时仍须排除备用路径;要求更多候选的模型更会暴露问题。优化器也可能消除部分代价,因此行为测试只是线索;正确性和失败路径必须先于提速结论。
顺序无关结果时优先常见分支
引文识别中普通字符与转义对互斥时,把常见的普通字符分支放前,可能减少传统回溯式成功路径上的分支失败。如果分支重叠,重新排序可能改变匹配,甚至把原先仅在坏数据上暴露的错误带入正常输入。优化之前先确认接受范围、消费范围和捕获均符合要求,不能用正例加速掩盖文法歧义。
本节补充:常见程度应来自实际数据分布;只在分支顺序不改变正确结果时,排序才是纯性能选择。该收益也不能直接推广为失败时少检测路径。
顺序无关结果时优先常见分支保存独立卡片。
嵌套量词引爆回溯
当内部重复和外部重复都能分配同一串字符时,如普通字符段+再被外部*重复,同一文本可有大量不同分段。首条成功路径看起来很快,缺少闭合符等失败输入却可能迫使回溯遍历这些分割,工作量随长度急剧增长。问题是重叠的分配选择,不是看到嵌套符号就必定指数,也不能凭成功样例排除失败风险。实际优化、上限与输入结构会改变表现。
嵌套量词引爆回溯保存独立卡片。
原书依据 · 1 处
成功加速不保证失败成本可控
传统回溯式引擎可在首次完整成功后停止,但失败需要排除仍可行的路径。把逐字符处理改为连续段,可能减少成功时的循环,却同时增加失败时的分段组合。验证效率至少要分别考虑匹配与不匹配,并选择能触发关键分支的输入;原书的极大耗时是模型说明,不能直接当作当今某引擎的实测上界。
成功加速不保证失败成本可控保存独立卡片。
原书依据 · 1 处
全面考察回溯
本节把一次尝试内部的备用路径,与失败后从新位置启动整个模式的外层搜索叠在图上。能够早停的成功路径并不能代表所有失败路径;引号加点号会跨过多组内容,而排除引号可在符合任务规则的前提下缩小候选范围。
同样,单字符多选有时能改为一个字符集合,减少逐分支测试;这是接受规则和捕获要求允许时的结构性改写,并非所有多选都可如此替代。图中箭头解释执行关系,不当成不同引擎都必须执行的精确步骤。
失败成本还会被多个搜索起点放大
某起点内穷尽路径失败后,普通搜索可能从后面的起点再尝试整条模式。宽泛组件的回溯若在每个起点反复发生,总成本便不只是一次匹配的路径数。应分别检查内部歧义和外部起点范围;必要的锚点或更具体的文法可能减少工作,但优化不能删除任务本来需要的起点。
失败成本还会被多个搜索起点放大保存独立卡片。
原书依据 · 1 处
具体规则可减少无效匹配
如果任务的引文正文不允许未转义的引号,用排除引号的集合替代点号,可阻止跨越后面的引文,也减少可回退的范围。效率收益来自更明确的输入规则,前提是它仍符合任务;如果其实允许转义或嵌套,应先表达这些结构,不能为减少路径直接删去合法输入。
具体规则可减少无效匹配保存独立卡片。
原书依据 · 1 处
单字符选择可用字符集合表达
当多选分支分别只是单个字符且没有独立捕获等要求时,如u|v|w|x|y|z,可以用[uvwxyz]表达同样的字符集合。这样更直接,也可能让引擎执行一次类别判断而非逐分支尝试。现代优化器可能已合并这种结构,实际收益要按实现核对;多字符分支或需要保留不同捕获时不能机械替换。
单字符选择可用字符集合表达保存独立卡片。
原书依据 · 1 处
性能测试
测试先要定义要量的工作。若关心匹配速度,应把模式编译和输入准备放在计时范围外;若关心全流程,则应另外明确包含它们。计时太短得到零值不能说明没有成本,应让有效工作超过计时精度,同时避免把循环管理、初始化或输出当作匹配工作。
把相同总字符量拆成更多短调用,会增加每次启动与捕获等开销。Java示例还展示冷运行与预热后状态不同、垃圾回收干扰;各语言的模式编译方式、接口和数据长度并不相同。所有数值都属于原书环境,本轮仅阅读,没有执行性能测试。原文称多选比字符组快22倍,与图328的7.276对0.333秒相反,未沿用该文字结论。
性能依赖数据补充本项背景,主要讲解保留在相应章。
避免重复编译补充本项背景,主要讲解保留在相应章。
基准计时范围应对应真实问题
测量匹配速度时,把输入准备、编译和收尾移出相应计时范围;若目标本来是一次性全流程成本,则另行定义包含哪些步骤。过短结果显示0.000只能说明当前计时方式分不清,不等于操作没有成本。应增加有意义的处理量,并记录输入、调用数、引擎与选项,让结果能回答原先的问题。
本节以Time::HiRes包装关注工作,强调准备和非关心操作的位置。旧版原文复制的计时排查只能说明该版本特定机制,不能用一次空循环差值证明现代实现的唯一性能原因。
基准计时范围应对应真实问题保存独立卡片。
相同字符总量不等于相同调用成本
把长字符串少次处理改成短字符串多次处理,即使总字符量相同,也会改变循环检查、匹配启动和捕获准备等固定开销的比重。基准差异未必来自字符匹配算法本身。应把每次调用成本与随输入长度变化的成本分开,测试数据也应接近实际调用分布,而不是只比较处理过多少字符。
相同字符总量不等于相同调用成本保存独立卡片。
原书依据 · 1 处
冷运行与预热后应分别说明
原书Java例子反复执行后,运行时对热门代码的编译优化会改变耗时,垃圾回收也可能干扰一次计时。需要区分想观察的是冷启动还是预热后的长期处理,并给运行状态留出相应安排。具体等待多久或哪次代表稳定状态,应由测量判断;原书的旧VM名称、十秒示例和百分比不是所有现代运行时的保证。
冷运行与预热后应分别说明保存独立卡片。
原书依据 · 1 处
常见优化措施
优化有两种基本方向:让常见操作走专用路径,或证明某些尝试不必要后省略它们。收益要超过分析和检测成本,而且具体实现未必识别相同结构。编译缓存、必需文本和最小长度预查可以在执行前减少工作;起点识别与锚点分析可以减少启动完整匹配的位置。
执行内部还可能合并字面文本、专门处理简单重复、去除无用分组、优化懒惰后的必需字符,或在不影响正确结果的前提下删除无用备用路径。回溯次数、栈或时间限制属于终止保护,不能把触及上限后的中止当成已经证明不匹配。原书给出的旧缓存容量、倍数和实现名单只作历史背景。
优化分析本身也需要成本
为某种模式检查能否优化,也要消耗时间与内存。若该情况很少出现,或节省的匹配工作很少,预查可能比直接匹配更贵。引擎会在常见程度、分析成本和收益之间取舍,因此某个理论上能识别的条件未必被实现。手工优化也应计算新增检查的成本,不能只计算被省略的路径。
优化分析本身也需要成本保存独立卡片。
原书依据 · 1 处
避免重复编译
模式使用前需检查并形成内部表示,未变化的模式可复用它。对象式接口可将编译对象移到循环外;集成式或函数式接口也可能自动缓存,不能假定每次调用都重新编译。动态插值可能需要重新生成并比较模式,工作集超过缓存容量又可能反复淘汰。按实际接口核对缓存与模式变化,分别衡量编译、查缓存和匹配成本。
原书Perl进一步区分无插值文字的直接缓存,以及插值后比较新旧模式、必要时重编译。两者都不是把缓存保留到下一次进程运行;嵌入代码变量不是普通模式插值,闭包生命周期又需另查。
Java需要反复使用相同模式时,可先编译Pattern,再为输入创建或重置Matcher。Pattern.matcher只建立模式和输入的关联,不会提前执行查找。书中成本判断是避免重复准备的原则,具体收益仍依真实调用范围。
避免重复编译保存独立卡片。
预查必要条件可跳过完整匹配
若每个成功结果都含某段固定文本,或至少需要某个长度,引擎可先做廉价的子串或长度检查;条件不满足就无需应用完整模式。识别必须结合分支和可选结构,不能因某一分支含该字符就断言全式都需要它。预查通过也只表示仍有可能,后续完整匹配仍须执行。
PHP旧S示例把多种可能首字符汇成候选集合。若集合几乎覆盖所有输入位置,预查几乎不能排除起点;若已有唯一首字符预查,再分析可能重复工作。判断优化价值要看实际可跳过的候选数,而不只看模式是否复杂。
预查必要条件可跳过完整匹配保存独立卡片。
起点识别可减少完整模式的启动
引擎若能确定每次匹配只能以某字符、字符集合或固定前缀开头,就可先定位这些候选位置。固定距离的内部字面片段也可能帮助反推起点,长度和锚点又可缩小范围。这样减少的是启动完整尝试的次数,并非修改所接受的输入;不同引擎能识别多深,依实现而定。
起点识别可减少完整模式的启动保存独立卡片。
原书依据 · 1 处
隐式起点优化必须排除依赖例外
以.*或.+开头常使后面的子串搜索无须从每个位置重新开始,但不能因此无条件手工加^。若捕获内容又被反向引用,例如(.+)X\1,较早起点可能无法形成两侧相同内容,而后面的起点可以。内部优化或手工改写必须保留全部语义依赖;起点限制的等价性要先证明。
隐式起点优化必须排除依赖例外保存独立卡片。
原书依据 · 1 处
常见结构可以绕过通用执行开销
固定字面串、简单字符重复或可消除的非捕获分组,可能被引擎编译成专用操作,省掉通用解释循环和进入分组的工作。等价语法是否归一化、懒惰后必需字符能否快速定位,各引擎都不同。语义等价不能推出执行成本相同,书中的旧版倍数也不能推出今日哪个语言整体更快。
常见结构可以绕过通用执行开销保存独立卡片。
原书依据 · 1 处
资源上限中止不等于模式不匹配
限制回溯次数或备用状态量,可阻止某次匹配耗尽资源,但也可能中止本来需要较多工作的合法输入。达到限制后应按接口区分错误或中止与普通不匹配,不能把保护阀当作完整搜索证明。记忆已尝试状态或删去冗余路径则从另一方向减少重复工作;保护上限不替代正确文法与成本分析。
资源上限中止不等于模式不匹配保存独立卡片。
原书依据 · 1 处
自动剪去回退仍需有等价依据
若重复组件消费的字符与紧随要求互斥,交还它们也不可能帮助后续成功,引擎可能自动采用占有式路径。减少保留状态还能节省内存,但删除的是已经证明无用的选择。原书图352讨论的是当时希望实现的自动优化,不能照搬为当前没有引擎支持;具体版本和模式仍须核对。
自动剪去回退仍需有等价依据保存独立卡片。
原书依据 · 1 处
提高表达式速度的诀窍
手工调整可以暴露必需文字与锚点,或在调用完整模式前显式预查;也可以通过提取共享前后缀减少重复尝试。但手工模拟既有优化可能只是增加工作,软件升级还可能改变收益,可读性也有成本。
常识性处理包括复用模式、只保留确有需要的捕获和分组、按任务明确起点。随后才比较贪婪或懒惰的扫描方向、多个小检查与一条大模式、按常见程度排列互斥分支,或将后续条件放入分支以更早失败。每一项都要先确保语义不变,再以实际数据判断,而非套用固定提速清单。
顺序无关结果时优先常见分支补充本项背景,主要讲解保留在相应章。
非捕获减少状态
(?:…)只把子表达式组合成一个单元,不创建捕获编号。不需要提取或反向引用这部分内容时,可减少捕获记账,并避免公共组件使外部编号漂移。它不自动减少所有回溯分支,也不能保证在每个实现上更快;旧版优化可能对捕获和非捕获形状有不同处理。先确认消费者不依赖该捕获,再判断清晰度与实际成本。
非捕获减少状态保存独立卡片。
共享前缀要提取
this|that可组织为th(?:is|at),让公共前缀只在概念上检查一次,并暴露给可能的字面预查优化;公共后缀也可提取。改写仍须保持分支优先级、捕获接口和模式范围,现代引擎也可能已自动完成相同优化。共享结构的表达通常更清楚,但具体速度收益需绑定实现和数据。
共享前缀要提取保存独立卡片。
原书依据 · 1 处
性能依赖数据
一次模式改写的收益取决于实际数据、成功/失败分布、调用数、引擎版本和已经生效的优化。新增预查可能省去很多失败尝试,也可能只是重复引擎已做的工作;常见位置靠前或靠后,又会改变不同扫描方式的成本。以有代表性的数据验证语义和计时范围,不把旧版单例倍数当作普遍结论。
性能依赖数据保存独立卡片。
独立暴露锚点有助于表达起点限制
^包围一个多选组与每个分支各写^,在适当语境中可表达相同起点规则,但前者可能更容易被某些优化器识别。末尾锚点也有类似差别。应先把整个选择与锚点的作用范围写清,再讨论是否能利用优化;不能把起点只放到第一支或结尾只放到最后一支,造成另一条路径失去边界。
独立暴露锚点有助于表达起点限制保存独立卡片。
原书依据 · 1 处
轻量预查可以和完整识别分工
原书为稀少的HASH(0x…)类异常,先检查必须的(0x,再调用完整模式。大部分输入可由廉价条件排除,无须进入复杂分支;比为迎合优化器写难懂的变长逆序环视更直接。预查必须确为所有目标的必要条件,且其成本小于被省的工作;通过预查还不表示已经识别成功。
轻量预查可以和完整识别分工保存独立卡片。
原书依据 · 1 处
手工预查可能重复已有优化
在月份多选前加首字母集合的环视,可以排除不可能的起点;若引擎本来已自动做同样工作,新增断言反而增加成本。某些数据含很多候选首字母时,收益也会缩小。手工模拟应以具体实现和输入为前提,并在升级后重新判断,不为理论上的优化牺牲不成比例的可读性。
手工预查可能重复已有优化保存独立卡片。
原书依据 · 1 处
扫描方向选择须先满足字段语义
^.:与^.?:分别倾向最后和最早可完成的冒号,通常不是可互换的性能写法。只有已知输入恰好只有一个相关分隔符等前提下,才可在结果相同后比较扫描成本。排除分隔符的字符组又是更明确的正文约束;如果数据不满足假设,不能为了快把第一处字段改成最后一处字段。
扫描方向选择须先满足字段语义保存独立卡片。
原书依据 · 1 处
分支内后续条件可更早发现失败
把共同边界条件放进各个分支,有时能让分支尚未退出就发现失败,减少控制切换。但复制文字后缀或结束锚点也可能隐藏可供优化器利用的公共结构。应比较它与提取共享结构的相反作用,保留语义等价、可维护性与真实数据的判断,不能把“提取”或“分散”任一项当作永远更快。
分支内后续条件可更早发现失败保存独立卡片。
原书依据 · 1 处
消除循环
消除循环把每个字符都进入一次多选的形式,改写为连续普通段与特殊单元交替。引文中普通字符不能是引号或反斜线,特殊单元是完整转义对;这样形成opening normal* (special normal) closing。两处普通段都允许为空,才容许空引文、连续转义和首尾转义。域名子段则不能为空,说明模板中的量词仍由文法决定。
改写的关键是明确检查点:普通与特殊的起始不重叠,底层单元能推进,特殊片段不能被多轮以不同方式重新分割。原书第二条标题提normal而例子反复说明可空special的问题,本笔记按实际机制澄清,不机械照抄标签。固化或占有也是删去等价无效分割的另一办法,但范围必须正确。
多字符闭符还要求特殊处理。C注释中单独出现的星号不代表结束,一串星号后是斜线才闭合;只用“星号加非斜线”会消费闭符的开头。经过文法修正后,才能以连续普通段和星号检查点消除循环。所有这些只识别局部注释结构,仍不能识别代码中字符串的上下文,下一节继续处理。
固化范围决定哪些选择被删除补充本项背景,主要讲解保留在相应章。
消除循环套路
消除循环将逐字符多选重复改写成“普通段后接若干特殊单元加普通段”,常见形状是opening normal* (special normal) closing。普通段连续处理常见文本,特殊单元成为明确检查点。必须核对起始互斥、重复能推进,以及特殊片段不会被多轮歧义分割;不能只把模板中的名字换掉。不同文法可能要求普通段非空,性能收益也取决于实现。
消除循环套路保存独立卡片。
原书依据 · 1 处
从样例逼近模式
先用具体输入追踪哪些子结构实际匹配,再归纳共同文法;还要加入空内容、连续特殊单元、首尾特殊单元和错误输入。书中的引文例子先以普通段+起步,再发现它拒绝以转义开头或结尾的合法内容,于是按文法放宽为空。例子用来发现与检验假设,不能仅凭几个正例成功就证明通用正确。
从样例逼近模式保存独立卡片。
原书依据 · 1 处
循环检查点须避免歧义分段
消除循环依赖特殊片段把普通段分开。若特殊片段本身可空,就可能让同一普通串分配给不同外层迭代;若特殊片段如空格+既能一次吃很多,也能分多轮吃,歧义仍存在。这里“固化”强调分段不可再分的性质,不必每次都写原子组;可按文法把单位缩成一个空格,或交换常见与特殊部分。
PHP括号递归例的非括号文本既可成串又可由外层重复,失败时会反复拆分同一文本。普通文本与括号开头可明确区分时,原子化普通串或合适外层能剪掉无用拆分;循环展开则把普通串移到检查点之间。不能只因出现递归就省略失败成本分析。
循环检查点须避免歧义分段保存独立卡片。
循环模板的可空性由文法决定
引文的普通段可为空,所以需接受空引文、连续转义以及转义位于两端;简化域名子段则不能为空,否则会允许连续点号或首尾点号。两者都可写成段与特殊分隔交替,但量词不能照搬。先确定允许空的是什么,再决定*或+,而不是把性能模板当成输入规范。
循环模板的可空性由文法决定保存独立卡片。
原书依据 · 1 处
循环改写需要维护重复规则一致
消除循环通常把同一普通字符规则写在开头和每个特殊单元之后。它可能减少回溯与控制切换,却使表达式更长,并要求修改两处时保持一致。若实现已优化简单形式,收益又可能变化。应记录规则前提与典型输入,再权衡可读性、维护成本和测量结果,不能只因为写法更复杂就认定更高效。
循环改写需要维护重复规则一致保存独立卡片。
原书依据 · 1 处
CSV需要结构视角
CSV解析需要同时处理字段边界、引文、内部逗号、成对引号与空字段。字段内容的匹配不能与扫描器如何跨过分隔符分离,失败时也应防止静默跳入引文内部。引文字段可拆成普通非引号段与成对引号单元交替,再按参与捕获进行解码;这种优化仍须服从明确的CSV方言、记录边界和完整性要求。
CSV需要结构视角保存独立卡片。
原书依据 · 1 处
多字符闭符须保留共享前缀字符
C块注释以星号加斜线闭合,正文也可能出现单独或连续星号。若把“星号加非斜线”整对吞掉,可能吃掉下一次闭合所需的星号;只增加贪婪重复也可能在回溯时重演问题。应让普通段排除星号,单独处理星号串,并按其后是斜线还是其他字符决定闭合或继续。先修正文法,再讨论循环消除。
多字符闭符须保留共享前缀字符保存独立卡片。
原书依据 · 1 处
否定字符组仍须消费字符
“x后面不是斜线”可能只想断言不存在斜线,但x[^/]还要求x后实际有一个非斜线字符,并且消费它;在输入末尾两者不同。原书以多字符闭符说明自然语言描述容易漏掉这个消费条件。需要纯条件时用适当环视,缺少环视时也要明确处理末尾等分支,不能靠含糊的文字代替精确语义。
否定字符组仍须消费字符保存独立卡片。
原书依据 · 1 处
流畅运转的表达式
注释形状识别正确,仍可能误删字符串内的/*。本节通过同时识别引文和注释,让扫描一次跨过完整引文,避免从其中的伪注释起点重试;捕获引文并原样放回,只删除目标分支。单引号字符与行注释又需补充各自结构。
接着把普通代码合段,避免每个位置都失败尝试所有复杂分支。常见普通段可排在前,特殊片段之后还可接可空普通段,减少重启与分支切换。开头普通分支必须非空,否则会抢先空成功;后接普通段则要可空,才能处理连续特殊片段。这里只展示原书语法子集的扫描方法,不把删除注释演示当成完整C预处理或跨语言安全转换。
引导扫描跳过噪声
若只寻找目标片段,搜索器可能从不应处理的上下文内部重试。原书删除注释时也识别完整引文,一次消费并原样保留它,避免从其中的/*开始误取注释。可以把保留分支捕获后放回,让目标分支替换为空;还需明确支持哪些字符常量、转义和注释形式。这是引导扫描上下文的办法,不等于完整语言解析或安全源码改写。
引导扫描跳过噪声保存独立卡片。
原书依据 · 1 处
普通文本合段可减少分支启动
若所有特殊片段都只可能以斜线或引号开头,其他字符就可作为普通段一次消费并保留,避免每个字符都依次尝试复杂分支失败。这个普通段必须与特殊片段的起始互斥,并且不能在前置分支中空成功。收益来自减少启动复杂识别的次数;输入文法和分支优先关系仍须核对。
普通文本合段可减少分支启动保存独立卡片。
原书依据 · 1 处
相邻特殊片段需要可空的间隔
在引文等特殊片段后附上普通段,可让匹配继续处理常见后续内容,减少切换。但这段普通内容须允许为空,否则两个紧邻引文会被错误拒绝;反过来,把前面的普通分支写成可空,又可能在任何位置先成功,阻止特殊分支获得机会。相同字符规则在不同结构位置,重复下限可能不同。
相邻特殊片段需要可空的间隔保存独立卡片。
原书依据 · 1 处
保留范围应与替换捕获保持一致
用捕获内容作为替换结果时,捕获内是要保留的文本,捕获外的匹配会被删掉。把注释后的普通内容并进模式若忘了纳入保留范围,就会连带删除本来要留下的代码。优化消费路径后,应同步检查匹配范围、捕获范围与替换输出,而不只验证仍能定位注释。
保留范围应与替换捕获保持一致保存独立卡片。
原书依据 · 1 处
总结:开动你的大脑
最后的缩写检索例子回到任务本身:如果只需发现撇号前是否为单词字符,不需要返回整个单词,那么先扫描整个单词并未增加判定信息。但若消费者需要完整匹配文本,就不能直接删去它。本章的效率思想因此是明确结果职责后,移除没有贡献的工作。
存在判断可省去无用前缀
原书只需发现缩写形式的位置,撇号前是一个单词字符已能提供必要条件,再从单词开头扫描\w+可能没有增加信息。如果要返回完整单词、使用捕获或依赖匹配起点,缩短前缀又会改变结果。去掉工作之前应先确定需要的是布尔存在、位置还是整段提取,再比较语义与成本。
存在判断可省去无用前缀保存独立卡片。
原书依据 · 1 处
Perl
Perl专章从前面简化的示例进入具体接口:先区分流派与模式文字处理,再解释应用场合和动态作用域,随后分别讲qr、匹配、替换与拆分,最后讨论专有扩展与效率。本章按原书Perl5.8.8解释,不把旧版本规则自动当作现代Perl完整接口。
作为语言组件的正则表达式
Perl把正则应用放在语言运算符中,表7-1列出匹配、替换、qr与split,以及相关变量与函数。接口数量少不代表行为简单:相同写法会因求值场合、修饰符与目标不同而返回不同结果。便利来自隐含的语言机制,使用时需要把这些条件明确列出。
少量正则接口承载多种行为
本章以m、s、qr和split组织正则操作,周边还有捕获、位置与默认目标等状态。相同运算符会按应用场合和修饰符提供不同结果,省去许多显式包装,也使细小修改可能改变接口语义。阅读Perl正则代码时应同时记录目标、标志和求值场合;表7-1是入口地图,具体返回方式需按各节核对。
本节总结了匹配还受context、pos、空模式默认、问号形式/reset、study与/o等外部因素影响。取反!~改变的是判断结果,成功匹配产生的捕获伴随效应并不因此取消。
少量正则接口承载多种行为保存独立卡片。
Perl的正则流派
本节表7-2及脚注绑定原书版本的语法和字符支持,重点进一步区分正则引擎与模式文字。源码中的模式文字先处理插值、字符名和大小写/文字引用等,再把结果交给引擎;插入变量中的文本不会再次当成完整模式文字递归预处理。
这一区别决定动态输入应作为普通数据还是模式片段。文字引用可保护用户输入中的元字符,大小写转换用于构造模式,与匹配阶段忽略大小写不同。定界符可改变宿主解析形式,单引号定界又会停用某些文字处理。表7-3核心修饰符中i、x、s、m各有职责,o的缓存含义留待效率节,不与全局匹配混为一谈。
模式文字与运行时模式有不同入口补充本项背景,主要讲解保留在相应章。
文字模式用于按原样解释片段补充本项背景,主要讲解保留在相应章。
定界符选择可以减少转义补充本项背景,主要讲解保留在相应章。
插值数组的连接规则属于宿主层
原书Perl模式文字中,标量插入一个值,数组插值把多个元素连接起来,分隔取决于$“而不只是固定空格;散列并不按同样形式插值。生成的文本随后还要被解释成正则,数组里有多个词不等于自动形成多选。构造模式时应明确是连接、选择还是按字面匹配,不能用变量容器类型代替文法。
插值数组的连接规则属于宿主层保存独立卡片。
原书依据 · 1 处
模式大小写转换不同于忽略大小写
Perl模式文字的\l/\u作用于随后首字符,\L/\U作用于随后范围直到\E等边界,用于在提交引擎前构造文本;它们与lcfirst、ucfirst、lc、uc功能相呼应。/i则影响匹配阶段如何比较输入,不把模式或捕获自动改成某种字形。两类操作所处阶段不同,组合时应先看生成的模式,再看匹配选项。
模式大小写转换不同于忽略大小写保存独立卡片。
原书依据 · 1 处
字符名是模式构造入口
原书Perl版本在use charnames的相应导入下,可用\N{正式字符名}引用字符,UnicodeData文件可查所支持名称。它是模式文字提供的构造便利,不应当作所有外部模式来源都自动支持的引擎语法;重载等入口也有额外限制。实际使用须绑定目标版本的名称、导入和处理阶段。
字符名是模式构造入口保存独立卡片。
原书依据 · 1 处
模式改变语义
匹配选项与模式本身共同决定行为:i影响大小写比较,x影响模式中的空白与注释,s改变点号可匹配范围,m改变行锚点。它们可以由宿主选项、末尾修饰符或支持的局部结构指定;不是同一个“多行处理”开关。局部内联设置可覆盖相应范围内的外层设置。Perl的g属于迭代操作,o涉及模式构造复用,不能把所有字母都当作同一种匹配语义。
模式改变语义保存独立卡片。
正则表达式相关的Perl教义
Perl表达式的结果要连同求值场合理解:列表、标量和不取结果的场合,会要求同一接口提供不同形式,不能把所有情况都先当列表再机械取长度。词法变量与动态本地化又是另一维度:my声明新词法变量,local临时改变既有全局值并在退出范围时恢复,调用的子程序也能看到临时值。
匹配成功会设置动态局部化的结果变量,失败却可能保留此前结果,所以读取捕获应受本次成功判断保护。括号的位置影响“捕获整段还是每次最后一次”,也影响“没有参加还是捕获空串”。最高编号捕获、最后闭合捕获以及开始/结束偏移又是不同接口。普通模式插值里的$1来自此前成功,不等于模式内部随当前路径变化的反向引用。
捕获连接匹配与处理补充本项背景,主要讲解保留在相应章。
求值场合属于接口的一部分
Perl表达式可能处在列表、标量或void场合,同一函数或运算符可按场合返回不同内容。localtime可返回分量列表或时间文本,读取接口可返回一条或剩余多条记录,匹配运算符也会受场合影响。不能仅凭源码中的操作符判断返回类型,赋值目标、调用参数与修饰符也须一起看。
求值场合属于接口的一部分保存独立卡片。
原书依据 · 1 处
列表到标量并非只有一种转换
标量值进入列表场合可成为单个元素,但“列表进入标量”没有统一的取长度规则。书中逗号表达式在标量场合给出最后一个元素,而数组在标量场合给出元素数。匹配接口有自己的场合约定,因此不能拿数组的规则推断任意表达式;应先识别实际表达式及其返回契约。
列表到标量并非只有一种转换保存独立卡片。
原书依据 · 1 处
动态本地化不创建词法变量
Perl的local临时替换既有全局变量的值,当前动态执行范围内调用的子程序也能看到,退出时恢复原值。my则声明新的词法变量,只在对应词法范围可见,不会因此改变同名全局状态。需要临时修改被调用函数使用的全局设置时,二者不能互换;动态本地化的便利也意味着远处调用可能依赖当前临时值。
动态本地化不创建词法变量保存独立卡片。
原书依据 · 1 处
匹配结果的动态范围隔离子调用
书中$1等匹配结果变量采用动态作用域,子程序内部的成功匹配可临时改变自身范围看到的捕获,返回后恢复调用者的值。这使调用其他函数不必无条件破坏外层捕获,但仍须识别实际范围和同一块内的后续成功匹配。普通my/local规则与这些特殊变量的自动处理不能混为一谈。
匹配结果的动态范围隔离子调用保存独立卡片。
原书依据 · 1 处
失败匹配可能留下旧捕获结果
原书Perl中,失败匹配不会清空此前成功设置的$1等结果变量。因此先做匹配却不检查成功,就直接读取$1,可能使用上一轮的内容。应在本次成功分支内取得和保存所需结果,再交给后续代码;空串与未定义也分别判断,不能用结果看起来有值替代本次成功。
失败匹配可能留下旧捕获结果保存独立卡片。
原书依据 · 1 处
括号范围决定捕获整段或末次
(\w+)把整段重复包进一组,可捕获整个单词;(\w)+则每次重复重新捕获,在本节Perl接口中最终只保留最后一次内容。二者可以取得相同整体匹配,却提供不同提取结果。类似地,(x)?可让组根本不参加,(x?)则可让组参加但捕获空串;消费者需要哪种状态,应在结构设计时确定。
.NET另外提供Group.Captures取得成功路径上的多次捕获,因此重复组的末次Value并不意味着较早捕获在该接口中不可访问;仍须区分组最终值与捕获集合。
括号范围决定捕获整段或末次保存独立卡片。
最高编号捕获不等于最后闭合捕获
Perl的$+取本次明确参加的最高编号捕获,$^N取最近结束的捕获;嵌套组中二者可能不同。@-与@+又分别给出各组的起止偏移,第0项对应整体匹配,可按半开范围提取文本。它们各自回答不同问题,使用时须区分未参加、空捕获及目标是否已改变,不能只按变量外观猜意义。
最高编号捕获不等于最后闭合捕获保存独立卡片。
原书依据 · 1 处
嵌入结果状态会随匹配路径恢复
本章先介绍$^R作为Perl嵌入代码最近结果:条件测试等有不同设定规则,回溯放弃路径时,相关值也会按路径恢复。它不是记录所有曾执行代码的持久日志,更不意味着其他外部副作用自动撤销。实际嵌入执行与返回约定要连同后续专节核对,本节只建立结果状态的职责。
本节把路径局部化与普通副作用分开:局部计数可以随回溯恢复,打印或普通全局赋值却不会自动撤销。图500的旧版panic: top_env提示可检查嵌入代码语法,只是该书的排错线索,不能据此认定所有此类终止只有一种原因。
嵌入结果状态会随匹配路径恢复保存独立卡片。
qr运算符与regex对象
qr把模式及其选项封装为regex对象,既可直接应用,也可组合进较大模式。公共片段更容易独立维护,但必须维持边界与捕获等接口约定。对象创建时的模式设置会留在片段内,外层m的/x不能弥补对象创建时漏掉的/x;普通字符串片段则有不同的解释时机。字符串化可用于观察调试表示,不等于已经应用过模式。
把公共模式保存为唯一来源补充本项背景,主要讲解保留在相应章。
正则对象封装模式与局部选项
原书Perl的qr对象保存模式及创建时的i/x/s/m等设置,包括没有启用的状态。把它嵌入外层m/…/x,不能让原先未启用/x的对象忽略自身空白;应在构建对象时设置相应模式,或明确使用带局部选项的字符串结构。封装使片段不受外层随意影响,也要求选项放在正确的构造位置。
正则对象封装模式与局部选项保存独立卡片。
原书依据 · 1 处
正则对象字符串化可用于观察构造
Perl在需要字符串的地方可将qr对象转成显示其模式和内联选项的文本表示,便于调试组合结果。这个表示帮助检查局部选项和结构,并不等于做了一次匹配;具体打印形式也与版本相关。将对象作为复用单元,与把它变成字符串后再交给其他入口,是不同操作,不能只因显示内容相似就忽略解释层。
正则对象字符串化可用于观察构造保存独立卡片。
原书依据 · 1 处
Match运算符
匹配接口的任务由模式、目标、求值场合和修饰符共同决定。省略目标会使用$_,误把=~写成=会变成向变量赋匹配结果;空模式又会复用动态范围内此前成功的模式,不能据字面理解为空串模式。
无g的标量场合只判断成功,无g的列表场合提取一次捕获;列表加g收集全部结果,标量加g则每次寻找下一个并更新目标字符串的pos。pos是目标的状态,不属于某个模式,失败、非全局匹配和修改目标又有各自复位规则。设置pos只是改变起始搜索位置,G才约束必须在那里成功;gc保留失败位置,便于多个模式轮流识别下一记号。
连续扫描还必须保证每轮推进或明确结束,通用兜底分支要在专用分支之后。最后的while/if/foreach测验及下一项图471答案说明:列表结果已在进入foreach前形成,循环内的全局匹配变量不自动对应当前元素,必须使用循环元素本身。
连续扫描锚点关联迭代状态补充本项背景,主要讲解保留在相应章。
少量正则接口承载多种行为补充本项背景,主要讲解保留在相应章。
误写赋值会改变匹配对象
Perl省略显式目标时使用$_。$text =~ m/…/把模式应用到$text;若误写成$text = m/…/,则是在默认目标$_上匹配,再把匹配返回值赋给$text。二者在匹配对象和变量更新上都不同。阅读默认形式时,应明确谁被检查、谁接收结果、需要什么求值场合,不把类似符号当作无害简写。
误写赋值会改变匹配对象保存独立卡片。
原书依据 · 1 处
空匹配模式可能复用此前成功模式
原书Perl的m//以及插值得到空模式的相应入口,会采用动态范围内此前成功应用的模式,而不是简单地匹配空串。行为因而依赖此前操作。问号定界形式又有成功后不再匹配、直到reset的特殊状态;这些历史简写都增加隐含依赖,识别代码时须记录,不能按普通定界符外观推断。
空匹配模式可能复用此前成功模式保存独立卡片。
原书依据 · 1 处
匹配返回由场合与全局标志决定
Perl m在无g的标量场合给成功判断,列表场合给一次匹配的捕获列表,失败为空列表;成功却没有捕获时给(1)。列表加g则收集各次捕获并平铺,没有捕获时收集整体匹配。添加只用于分组的捕获括号会改变返回形状,多个捕获又不自动保留每次匹配的分组层级;接口消费者须按这份约定解读。
匹配返回由场合与全局标志决定保存独立卡片。
原书依据 · 1 处
标量全局匹配逐次推进目标位置
标量场合的m/…/g每次只寻找下一个匹配,成功后推进目标字符串的pos,普通失败后重置;适合在while中边找边处理。没有g却反复对同一字符串匹配,往往每次返回同一首个结果,循环可能永不结束。与列表加g一次收集全部不同,它允许在匹配之间运行循环体。
标量全局匹配逐次推进目标位置保存独立卡片。
原书依据 · 1 处
设定搜索起点不等于锚定该位置
给Perl字符串设pos可让下一次全局搜索从指定位置开始,但若那里失败,普通搜索仍可能向后寻找,误取后面的字段。需要“只在这里识别”的任务,还须使用对应位置锚点G并按该流派规则组织模式。偏移单位和目标是否改变也要核对;书中的32位记录例子不自动适用于所有Unicode或字节接口。
本书PHP preg的offset只指定引擎从哪里开始尝试,不把该处变为字符串开头;逆序环视仍可检查起点左侧文本。需要从给定位置连续解析时,应另用合适锚定规则,不能用截取后匹配或只设offset来冒充同一种语义。
设定搜索起点不等于锚定该位置保存独立卡片。
连续解析每轮须推进或明确结束
多个模式共享当前位置解析记号时,若失败后保留位置却没有成功分支、错误退出或其他推进,同一位置会被无限重试。专用结构应先于能接收普通标签或任意字符的兜底分支,否则后者会吞掉前者的入口。书中的简化HTML记号器只解释这种控制机制,不是完整HTML验证器。
连续解析每轮须推进或明确结束保存独立卡片。
原书依据 · 1 处
列表循环应使用当前元素
原书测验把全局匹配放在foreach的列表场合,全部匹配先完成,再遍历返回的词。循环内若读$&,看到的是此前最后一次匹配Moe,所以打印三次Moe;用循环当前元素才对应Larry、Curly、Moe。while的标量全局匹配则每轮才更新结果。不能把两种循环语法互换后仍依赖相同伴随状态。
图471的测验答案再次确认foreach先得到列表、再遍历,$&仍是最后匹配结果;该图是上一项问题卡的直接图片证据。
列表循环应使用当前元素保存独立卡片。
Substitution运算符
替换接口在本书版本中返回替换次数,没替换时给假值;替换发生不等于最终字节必定不同。替换内容通常在每次成功后按双引号字符串解释,所以捕获来自本次;单引号定界可停用插值,e则把内容作为代码求值。
多次e会继续把上一轮结果当成代码求值,跨越了普通数据与可执行内容的界线,不能当作一般字符串替换。百分号编码只是原书说明逐匹配计算的例子,不是完整现代URL编码规则。本轮仅阅读,没有求值外部文本或执行替换。
列表循环应使用当前元素补充本项背景,主要讲解保留在相应章。
替换次数与文本是否变化不同
原书Perl s运算符返回发生替换的次数,没有替换时为假值。这个结果表示操作匹配并替换了多少次,不保证输出内容与原文不同:把捕获原样放回也算一次替换。将结果用于条件判断或统计时,应先明确需要的是替换事件还是实际内容变化,不能从true推断字节必变。
PHP preg_replace的count记录替换发生次数;如果替换内容与原文相同,次数仍可增加。它不能替代比较前后文本来判断实际内容是否变化。limit按每个模式与每个subject分别限制,count则可能累计多个模式和多个subject,二者统计范围也不同。
替换次数与文本是否变化不同保存独立卡片。
替换内容的解释时机在匹配之后
Perl普通替换内容按双引号字符串解释,且在各次匹配后求值,使$1等对应本次捕获。单引号定界的替换则不插值;/e把替换部分按代码在标量场合求值,结果用来替换。模式语法、替换字符串和代码是不同解释入口,不能把一方的元字符或转义规则直接套到另一方。
替换内容的解释时机在匹配之后保存独立卡片。
原书依据 · 1 处
重复求值会把结果重新当作代码
Perl替换的/e对替换表达式求值,多写e会继续对所得文本求值。原书用它演示将文本里的变量名间接取值,机制是把结果再次作为代码解释,并非普通的文字插值。输入若来自配置或用户数据,跨越的是数据到代码的执行边界;阅读代码时应显式标明这个边界,不把它包装成无条件通用替换技巧。
重复求值会把结果重新当作代码保存独立卡片。
原书依据 · 1 处
Split运算符
split返回匹配分隔符之间的片段,与收集匹配文本不同。分段上限限制原串形成的片段,最后一段保留未继续拆开的尾部;捕获的分隔内容可作为额外元素插入,不受相同上限计数。
空值规则是接口的一部分:内部空字段、默认丢弃的尾部空字段、正负上限和零宽边界各有区别。空模式与单个空格字符串又有专用行为,不能直接套用m运算符的默认模式或普通空格正则。split检查目标而不修改它,本节所说的捕获也不会像普通成功匹配那样设置外部匹配变量。
拆分上限约束片段而非分隔次数
Perl split的正上限限制从目标切出的片段数,达到后把剩余尾部作为最后一段,而不是再额外返回一段。若上限为3,就最多形成三个原串片段,通常只需两个分隔点;不足不会填充。分隔模式中的捕获可能额外插入返回元素,因此返回列表长度又可能超过该上限。
Java的Pattern.split在正limit下至多做limit-1次分割,使结果最多limit片段,最后一段保留余下原文。零limit丢弃尾部空片段,负limit保留;不能把Perl捕获分隔符的额外返回项规则直接搬到Java。
拆分上限约束片段而非分隔次数保存独立卡片。
拆分尾部空值规则会影响字段数
原书Perl split默认保留内部空片段,却丢弃尾部空片段;未设上限或设0采用这种默认。设置非零上限会保留相应尾部空值,负值常用于不限制分段并保留全部尾部空值。开头消费型分隔也可能产生空片段,零宽边界则有特殊处理。解析固定列数记录时,这些规则直接影响字段对应,不能只看一般样例。
拆分尾部空值规则会影响字段数保存独立卡片。
原书依据 · 1 处
拆分空模式与空格参数的特例
原书Perl split的空模式将文本按字符拆开,不沿用m//的此前成功模式;单个空格字符串参数则按空白分隔并忽略开头空白,未给模式时采用这项默认。它与直接传\s+或一个普通空格正则不同。按位置分隔还须注意零宽边界的首尾空元素规则,不能用“每次匹配都多一个字段”统一推断。
拆分空模式与空格参数的特例保存独立卡片。
原书依据 · 1 处
分隔模式捕获会插入额外返回项
Perl split若用捕获分组包住分隔符,返回列表会在原串片段之间插入捕获的文本;多个组会插入多项,未参加的组可为undef。这些不是原串片段,分段上限也不按它们计数。仅为组合结构时用非捕获分组,避免无意改变结果形状;识别标签的例子只演示该接口,不是通用HTML解析。
.NET Split会把参与的捕获文本也放入返回数组,捕获的顺序又受组号规则影响。count限制常规分割片段,额外捕获可能使总数组更长。书中当时还记录可选组未参与导致后续捕获丢失的bug,并以可空但必参与的组绕过;该bug严格绑定历史版本,不宣称现代仍存在。
分隔模式捕获会插入额外返回项保存独立卡片。
拆分不设置普通匹配状态
本节Perl split使用看似匹配运算符的模式参数,却不修改目标字符串,也不按普通匹配设置$1等外部结果或更新默认模式。分隔符捕获的内容通过返回列表交付。不能因传入m/…/外观就假定普通match的所有状态行为一并发生,消费者应依split的结果契约工作。
拆分不设置普通匹配状态保存独立卡片。
原书依据 · 1 处
巧用Perl的专有特性
本节把源码模式预处理、匹配中的动态模式与嵌入执行分开。动态结构把代码结果当作后续模式,可表达自相似嵌套;嵌入代码则在尝试路径中运行,用于调试、条件或状态积累。它们都改变了普通文字匹配的执行边界,不能按普通字符串拼接理解。
通过强制失败可访问更多候选,记录最长还要决定是否允许更换起点。更关键的是副作用:失败和回溯并不撤销任意执行,普通计数会留下被放弃路径的痕迹;路径局部化与成功后保存结果需要分别设计。旧版缓存模式中的词法闭包还可能绑定旧实例,必须核对模式和变量的生命周期。
最后的重载与模拟命名捕获是历史版本的扩展实验。字面片段、插值值与模式选项不在同一预处理视野内,使完整语法重写受到限制。代码与数据的边界、嵌套计数的不变量,以及临时捕获与对外结果的提交,才是这些复杂例子可迁移的机制。
命名捕获表达提取内容的角色补充本项背景,主要讲解保留在相应章。
嵌入结果状态会随匹配路径恢复补充本项背景,主要讲解保留在相应章。
动态模式把运行结果接回当前匹配
Perl的动态正则结构(??{代码})在匹配走到该处时运行代码,将结果解释为模式或使用返回的regex对象,再继续当前匹配。它与源码插值发生的时机不同,因而可利用本次捕获构造后续要求,如捕获次数后要求相应数量的X。返回内容成为模式而非普通文字,消费者必须明确这个解释入口;不能认为换成动态形式就无需核对文法与执行权限。
动态模式把运行结果接回当前匹配保存独立卡片。
原书依据 · 1 处
递归模式能表达自相似嵌套结构
有界展开用上一级模式构建下一层,预先写多少层就只能覆盖到相应深度。动态模式可在需要子括号时再次引用同一个规则,把“普通内容或嵌套括号”递归下去,不再预设固定最大深度。这里的任意深度是表达结构能力,不是无限资源保证;规则仍须处理推进、错误闭合、引文和栈/时间限制,不能据括号演示声称完整识别源码。
递归模式能表达自相似嵌套结构保存独立卡片。
原书依据 · 1 处
内嵌代码执行次数不等于成功次数
Perl的(?{代码})可在匹配尝试中运行,即使该尝试最后失败或发生回溯,也可能已经执行。书中把打印放在开头,观察到多次尝试才得到一次成功;优化器还可能跳过明显不可能的位置。普通执行结果可通过R等专门状态访问,作为条件测试时又按布尔值决定分支;不能把打印或计数次数直接当成最终匹配数。
内嵌代码执行次数不等于成功次数保存独立卡片。
原书依据 · 1 处
强制失败可暴露未走候选路径
在记录当前候选的嵌入代码后加必定失败的(?!),能强迫引擎回溯,访问原先在首次成功后就不会再试的路径;当前起点穷尽后,外层搜索还可能换起点。这样整个模式最终失败,记录的候选却可能很多。它是调试与路径探索技巧,重复候选、成本和副作用须考虑,不能拿模式最终返回false解释为此前没有候选。
强制失败可暴露未走候选路径保存独立卡片。
原书依据 · 1 处
全局最长与最左最长应分开
遍历并保存长度最大的候选,会比较不同起点,得到全局最长。要模拟书中最左最长的整体范围,还须在首次发现匹配后阻止后续起点参与,只继续该起点内的候选比较。原书用记录变量和开头条件失败实现这种控制;它演示的是整体范围选择,不保证覆盖POSIX对所有子表达式捕获的细部规则。
全局最长与最左最长应分开保存独立卡片。
原书依据 · 1 处
普通副作用不会因匹配回退而撤销
原书在数字后先增加计数,再检查词边界;若边界失败,数字匹配可以回退,普通加一却仍留下,造成错误计数。可以把计数推迟到该结构已确认之后,或在适当语义下使用随路径恢复的局部状态。回溯恢复的是引擎掌握的状态,并不自动撤销任意赋值、输出或外部动作。
普通副作用不会因匹配回退而撤销保存独立卡片。
原书依据 · 1 处
路径局部状态应在成功后保存
原书Perl嵌入代码中的local可使变量更新跟随当前匹配路径:回溯交还该段代码时恢复先前值,避免保留已放弃路径的计数。匹配结束后这类临时值又会恢复,因此若外部需要最终结果,应在完整候选已确认的位置保存到非局部结果变量。临时路径状态与对外提交结果承担不同职责,不能依一次执行过就提前保存。
路径局部状态应在成功后保存保存独立卡片。
原书依据 · 1 处
嵌入闭包可能绑定旧的变量实例
原书旧版Perl示例中,缓存的正则内嵌代码绑定编译时激活的词法变量实例,而后续函数调用重新创建了同名my变量;模式代码与函数其他部分于是看到不同实例。问题根因是模式生命周期与变量实例生命周期不一致。它是本书版本的闭包陷阱,不能直接当作所有现代Perl都如此;使用时要核对目标版本的编译、重建与捕获规则。
嵌入闭包可能绑定旧的变量实例保存独立卡片。
原书依据 · 1 处
嵌套计数前缀非负最终归零
另一种括号方法记录尚未配对的开括号数:初值为零,开括号加一,闭括号仅在计数为正时消费并减一,末尾还须归零。只检查最终零值会漏掉顺序错误,只有逐步约束才能保证每个闭括号有前置开括号。原书还固化已确定的单元,避免被交还后计数失步;它仍是自定文法与状态模型,不含字符串/注释解析。
嵌套计数前缀非负最终归零保存独立卡片。
原书依据 · 1 处
模式文字重载只看见部分上下文
原书Perl的正则文字重载只接收字面片段,插值变量会把它分开,值本身不交给该处理器;修饰符等上下文也未完整提供。预处理器因此可能看不到一对括号的两端,也不能可靠区分转义、字符组与注释里的同形符号。重写少量结构不等于识别完整模式文法,分段入口限制不能靠多写一个正则修补消除。
模式文字重载只看见部分上下文保存独立卡片。
原书依据 · 1 处
语法重写须识别完整限定结构
把括号重复后的占有标志改写成固化组,必须包住被限定对象和量词。若预处理器误把转义括号当分组,或没识别字符组内部转义,便会改错作用范围。原书的重载实现是讲解性尝试,明确承认无法完整识别Perl模式;不能只凭多数常见例子有效就把它作为通用语法转换器。
语法重写须识别完整限定结构保存独立卡片。
原书依据 · 1 处
可执行模式与外部文字输入须区分
图512说明旧版Perl默认限制把含嵌入代码的普通字符串直接插入模式,并讨论解除限制后的风险。普通检索文字、模式片段和可执行代码是不同输入契约;为方便插值而开放代码解释,会改变外部文本能做什么。该图给出的简单过滤示意未作为通用安全保证采用,本轮也未开启或执行外部模式代码。
可执行模式与外部文字输入须区分保存独立卡片。
原书依据 · 1 处
Perl效率
本节将模式准备拆成文字处理与引擎编译。自动缓存、插值后按需重编译、o锁定和显式qr对象,各自对应不同的有效期;优化不能让已经变化的参数继续使用旧模式。地址补零的多种写法则说明,同样显示任务也可由拆分与格式化完成,不必全部放进替换。
匹配结果的延迟提取涉及原始文本与偏移,原书关于全局变量导致全程序复制的成本严格绑定旧版。已核对官方资料:5.20写时复制修复大部分相关问题,study当前也不再执行书中索引工作。因此保留历史机制与成本推理,不沿用旧版永远禁用或直接提速的建议。
调试接口可以展示编译后的识别约束及运行轨迹,也会包含模块内部模式。固定子串预查、最小长度和被优化器拒绝的尝试,要按来源与版本解释。基准最终仍需覆盖正确的准备范围、输入和调用生命周期;本轮未执行它们。
避免重复编译补充本项背景,主要讲解保留在相应章。
基准计时范围应对应真实问题补充本项背景,主要讲解保留在相应章。
格式化任务可分离字段拆分与显示
原书将格式已正确的四段地址拆开,再以sprintf补成三位,与多种逐段替换比较。把结构识别和显示规则分开,往往更容易理解;多种写法只在相同输入前提下得到相同结果。补零显示并不证明原地址合法,也不保证适合再次作为地址交给解析器;表中的排序只是当时环境的比较。
格式化任务可分离字段拆分与显示保存独立卡片。
原书依据 · 1 处
一次编译锁定可能让动态条件过期
原书Perl的/o让对应模式入口首次预处理后锁定,即使后续插值变量改变,也沿用首次模式。循环内变量确实不变时可省重复准备,但按“今天”检查日志的函数跨天再次调用,就可能继续使用旧日期。它不是自动追踪依赖的缓存;需要每次调用更新时,应按正确生命周期重建模式对象。
一次编译锁定可能让动态条件过期保存独立卡片。
原书依据 · 1 处
正则对象复用期应对应参数有效期
本节把qr对象放在日志检查函数内、逐行循环外:每次函数调用按当前参数构建一次,处理各行时复用。这样既不每行重建,也不会像/o把首次日期永久锁住。模式能复用多久取决于其参数多久有效;把qr本身再加/o,又会重新引入锁定问题。
正则对象复用期应对应参数有效期保存独立卡片。
原书依据 · 1 处
原文与偏移支持结果延迟提取
原书旧版Perl用保留的原始文本和起止偏移支持匹配结果变量,避免预先构造所有捕获字符串。修改目标后仍要能取得旧捕获,解释了为何直接引用现有目标可能不够。偏移只定位到对应版本的文本,若自行用substr模拟结果,须保持原目标未变或保存相应版本;时间与内存成本应按实际实现衡量。
原文与偏移支持结果延迟提取保存独立卡片。
原书依据 · 1 处
旧匹配变量成本须绑定版本
原书Perl5.8.8中,使用匹配前、整体和匹配后全局变量可能迫使多处匹配保存原文,作者因此建议避免;图548给出旧版调试/模块和计时排查。这个全程序代价不是现代通则:官方文档说明5.18细分所需副本,5.20默认写时复制修复了大部分相关问题。依据:Perl变量性能说明。旧基准与禁用建议应绑定版本。
旧匹配变量成本须绑定版本保存独立卡片。
原书依据 · 1 处
重复搜索索引须计算回本条件
原书的study先为目标文本建立位置数据,期望在长文本、多次且修改前的固定文字搜索中摊薄准备成本;短文本、少量搜索、目标频繁改变或不利用该信息的模式可能无益。这是历史机制参考:当日官方文档说明study当前不做任何工作,位置索引是5.16以前行为。依据:study文档。不能直接按书中倍数启用现代优化。
重复搜索索引须计算回本条件保存独立卡片。
原书依据 · 1 处
调试输出可观察编译约束
原书Perl用use re的debug参数或-Mre=debug观察模式编译和匹配;debugcolor可作彩色展示,某些其他开关依二进制构建。输出中的固定/浮动子串、起始字符类、锚点、最小长度和嵌入求值等信息,可帮助理解引擎识别了什么。它是具体版本诊断接口,不是稳定的跨版本输出协议;只检查编译与实际运行也应区分。
调试输出可观察编译约束保存独立卡片。
原书依据 · 1 处
调试信息可能来自依赖
全局启用Perl正则调试时,载入模块中的模式也可能产生输出;即使用户脚本没有显式匹配,也可能看到许多编译信息。应先识别模式来源和执行阶段,再解释优化器拒绝、最小长度或候选起点等信息。不能把输出多等同于当前业务模式调用多,更不能据未运行的诊断命令声称已经验证。
调试信息可能来自依赖保存独立卡片。
原书依据 · 1 处
Perl结语
作者回顾Perl与正则融合的优点,同时提出当时希望补齐的命名捕获、字符组集合、占有量词和控制匹配的扩展。它们是该书版本的愿望清单,不是现代Perl功能表;作者设想的反斜线符号也不能拿来执行。该结语提醒区分表达需求、已有机制和语言未来方向。
语法提案须与已实现功能区分
结语设想一种清除当前备用状态的cut操作,以及一种禁止传动装置继续换路径的控制,还希望引擎提供通用钩子。作者为它们暂拟反斜线字母,只是在说明所需能力;不能把这些记号视作原书已实现或现代可直接执行的语法。理解控制需求、寻找现有接口与采用提案,是三件不同的事。
语法提案须与已实现功能区分保存独立卡片。
原书依据 · 1 处
第8章:Java正则表达式
本章以Java 1.5.0的java.util.regex为主,比较1.4.2和当时的1.6 beta。它把前文流派、引擎、接口三层知识落实到Pattern与Matcher;先识别编译选项和Unicode规则,再解释有状态的检索、区域边界和替换。书末版本差异是历史基线,不是现代Java支持清单。
流派三层差异补充本项背景,主要讲解保留在相应章。
Java的正则流派
Java这一版提供传统回溯式NFA、多选分支、捕获、环视、原子组与占有量词;具体能力还受编译模式及版本影响。嵌入修饰符与命名常量提供两种设置方式,COMMENTS在本书Java中也影响字符组。
书中字符简记及Unicode建议需有边界:ASCII单词字符包含下画线;字母类别不是完整单词字符集合,分隔类别也不是所有空白。使用属性是在选择明确集合,不能无条件替代另一种简记。
字符简记不是固定ASCII集合补充本项背景,主要讲解保留在相应章。
宽松排列服务维护补充本项背景,主要讲解保留在相应章。
Java对\p与\P的支持
属性语法在本书中覆盖Unicode类别、区块和Java字符判定。类别描述字符性质,区块按代码点位置划分;Java专属属性则借用Character的方法判定。它们回答不同问题。
区块名称的前缀与可用属性受版本影响,原文还列出旧版Pi/Pf、区块名称及错误修复。需要识别Java标识符开头时,可对应Character的判定,而不是用所有字母或整个区块代替。
属性类别与书写系统区块不同补充本项背景,主要讲解保留在相应章。
Java属性可借用字符判定
本书Java将Character中某些未弃用的isSomething字符方法映射为\p{javaSomething},用同一判定选择一个字符。例如Java标识符开头对应\p{javaJavaIdentifierStart}。它与Unicode类别、区块不是同一种分类;可用方法和Unicode数据应以目标JDK为准。
Java属性可借用字符判定保存独立卡片。
原书依据 · 1 处
Java的Unicode行终结符
本书Java默认识别LF、CR、CRLF、NEL、LS和PS。对于行边界,CRLF作为一个终结单位,不能在其内部制造行首/尾;点号仍按字符匹配。
DOTALL决定点号是否越过行终结符,MULTILINE决定行首尾锚点是否逐行生效,UNIX_LINES缩小行终结符集合。这三种设置应分别理解。原文最后说UNIX_LINES只识别CR有误,实际是LF。
行终止符集合影响多个层次补充本项背景,主要讲解保留在相应章。
多字符换行的边界不能拆开
本书Java默认把CRLF作为一个行终结单位:行尾锚点不在CR与LF之间落下,行首也不在两者之间落下。点号是否可消费它们是另一维度,DOTALL不会把两个字符变成一个字符。原文末句把UNIX_LINES写成只识别CR是笔误,应是LF;已按官方Pattern文档核对。
多字符换行的边界不能拆开保存独立卡片。
原书依据 · 1 处
使用java.util.regex
Pattern保存编译后的模式,Matcher把模式关联到具体输入并承担匹配和查询。创建Matcher不等于执行匹配,成功后才能读取对应的捕获与位置。MatchResult用于保存一次结果,避免下一次操作覆盖。
模式语法错误属于编译阶段,不应与普通未匹配混同。原文把[oops]写作非法模式的例子有误;这其实是合法字符组,不沿用该例。
编译模式与匹配状态分离
Java的Pattern代表编译后的模式,可以应用于不同输入;Matcher把一个Pattern和一个CharSequence关联起来,保存检索位置、捕获与替换进度。matcher(text)只是准备,find等方法才执行匹配。要保留一次结果,应在后续匹配改写状态前保存需要的数据或MatchResult快照。
编译模式与匹配状态分离保存独立卡片。
原书依据 · 1 处
匹配失败与语法错误不同
Java模式不合法时,编译会抛出PatternSyntaxException;合法模式应用到输入后找不到结果,则由匹配方法返回false。两者属于准备失败与业务未匹配,不能混成同一个结果。原文以[oops]举非法模式例有误,它是合法字符组;不能按这段文字判断语法。
匹配失败与语法错误不同保存独立卡片。
原书依据 · 1 处
Pattern的编译与Matcher创建
Pattern.compile接收模式字符串和可选标志,完成解析与编译。重复对多段输入应用同一模式时,把这一步移到适当复用范围;一次性用法则未必需要独立变量。
显式常量较长,却能让不熟悉嵌入字母的人理解设置。创建Matcher只把模式与目标绑定,尚未进行匹配。
避免重复编译补充本项背景,主要讲解保留在相应章。
模式选项可选择易读的入口
Java既可用Pattern的具名常量组合编译选项,也可把修饰符写在模式内部。前者较长,却能让不熟悉字母缩写的人读懂设置;后者紧凑,适合局部范围。选择依据包括读者、作用范围和复用方式,而不是一味缩短字符数。
模式选项可选择易读的入口保存独立卡片。
原书依据 · 1 处
Matcher对象、检索范围与替换
Matcher是有状态的执行对象:模式、目标、region、匹配位置和追加位置共同决定下一步行为。find搜索、lookingAt检查区域前缀、matches检查整区域;成功结果中的偏移仍相对于原输入。捕获未参与与匹配空串不同,保存一次结果也不同于保存Matcher引用。
替换又有独立的小语言,捕获引用和反斜线需要按replacement规则处理。分段追加保留每段未匹配原文,最后补尾;如果在背后原地修改长度,调用方必须修正下一起点。region并非所有方法都会保留,内建替换和有参数find会重置它。
区域是否具有锚点、环视是否能查看区域外,是两个独立设置。流式扫描还需区分引擎触尾和成功依赖尾部,不能把它们视作完整扫描器状态机。reset与usePattern作用不同,调试字符串及获取输入的变通法不能代替完整状态保存。
Java三种匹配限定不同范围
对Matcher当前region,find()搜索下一个可匹配子串,lookingAt()必须从区域开头开始但不要求到尾,matches()必须覆盖整个区域。默认区域是全部输入;缩小region后,“完整匹配”指整个区域而非原输入。先确定检查范围,才能选择接口。
Java三种匹配限定不同范围保存独立卡片。
原书依据 · 1 处
匹配位置始终相对原始输入
Java Matcher的start/end返回相对于整个输入的偏移,不因region从中间开始而改为区域内坐标;范围是起点包含、终点不包含。未参与匹配的捕获group返回null,start/end返回-1,与参与但匹配空串不同。读取具体匹配结果前须有成功匹配;groupCount查询模式的捕获数,不需要先匹配。
匹配位置始终相对原始输入保存独立卡片。
原书依据 · 1 处
保存结果须脱离可变匹配器
继续find、重置或其他匹配操作会更新Matcher保存的结果。需要稍后比较多个匹配时,应在状态改变前保存各字段,或调用toMatchResult取得独立结果快照,而不是把同一个Matcher引用多次加入列表。快照仍只说明那次匹配,不代表当前输入后来修改后的状态。
保存结果须脱离可变匹配器保存独立卡片。
原书依据 · 1 处
模式与替换文字需要不同转义
Java模式字符串与replacement字符串有两种解释规则。Pattern.quote用于把输入当模式文字;Matcher.quoteReplacement用于把替换内容中的美元符号和反斜线按文字使用。两者不能互换;替换模板可以引用捕获,而外部文字替换应按替换规则引用,不能靠模式转义解决。
模式与替换文字需要不同转义保存独立卡片。
原书依据 · 1 处
替换模板的数字按有效组号解析
本书Java替换模板以$1等引用捕获,数字只在能构成合法组号时继续取入;若只有3组,$25可解释为第二组加文字5,而不是不存在的第25组。反斜线又会引用下一个字符,所以需要组后数字时,必须按替换模板的规则分隔。它还位于Java字符串之内,要再经过宿主字符串解释;不能只看显示出来的斜线数。
替换模板的数字按有效组号解析保存独立卡片。
原书依据 · 1 处
分段替换须同时保留未匹配文本
Java的appendReplacement把上次追加位置到当前匹配前的原文加入结果,再加入经过解释的替换内容;appendTail在处理结束时补上剩余原文。这样可以按每次捕获计算不同替换,同时保留没有匹配的文本。若提前结束循环,也要决定是否补尾,不能只收集替换片段而丢掉中间内容。
分段替换须同时保留未匹配文本保存独立卡片。
原书依据 · 1 处
原地变长替换须修正后续位置
Matcher可以关联可变CharSequence,但在其背后改变输入长度,原保存的后续检索位置不会自动按插入或删除调整。本书示例保存本次结束位置,再按替换长度差修正,明确从新位置搜索。即使看似大小写转换,也须确认转换后长度;若不能可靠维护位置,构造新结果通常更清楚。
原地变长替换须修正后续位置保存独立卡片。
原书依据 · 1 处
重置操作可能扩大原定检索范围
Java本书中的find(int)、replaceAll、replaceFirst会先reset,把region恢复为整个输入;无参数find、lookingAt、matches使用当前region。若原定只替换选区,直接调用内建replaceAll会扩大范围。自定义分段替换可以先保存范围,reset后再恢复region;输出中未匹配的区域外原文仍应保留。
重置操作可能扩大原定检索范围保存独立卡片。
原书依据 · 1 处
检索区域与原始输入分开管理
Java的region(start,end)限定随后匹配使用的输入片段,同时重置匹配进度,让下一次find从区域开头开始。边界按整个输入计数,且start不能大于end。可用外层Matcher找到结构,再把其捕获范围交给内层Matcher,避免内层搜索串到其他结构中;这只限定搜索位置,并不保证外层模式能正确识别完整语法。
检索区域与原始输入分开管理保存独立卡片。
原书依据 · 1 处
区域锚点与边界透明性独立
Java区域默认具有anchoring bounds,区域首尾可充当行或输入锚点;默认opaque bounds又阻止环视和单词边界查看区域外文本。把光标放在Madagascar内部的car前,若区域不透明,单词边界可能误把它当独立单词。开启transparent bounds让边界判定看到外部上下文;是否允许区域首尾充当锚点则由另一选项决定。
区域锚点与边界透明性独立保存独立卡片。
原书依据 · 1 处
流式匹配须区分触尾与依赖尾部
Java的hitEnd表示本次引擎曾触及输入末尾,提示追加数据可能改变结果;它不是“匹配终点恰好在末尾”。requireEnd只在匹配成功后有意义,表示追加数据可能让成功变成失败。即使成功不会丢失,匹配长度等细节仍可能改变。原文“失败且hitEnd为false仍等待更多”的句子与其前文矛盾,不能照搬为扫描器决策规则;还须结合输入是否真正结束和词法约定。
流式匹配须区分触尾与依赖尾部保存独立卡片。
原书依据 · 1 处
切换模式不等于重置匹配进度
Java的usePattern在同一Matcher上替换模式,同时保留当前检索位置;reset则清除结果和进度并恢复全部输入范围。两者适合不同目的。需要在同一位置尝试多种token时,必须保证各次尝试的起点一致,并核对失败操作对状态的影响,不能把换模式误认为回到原位置。
本书多模式HTML扫描例遇到当时Java失败尝试影响当前位置的bug,改为自己保存currentLoc、每次find(currentLoc)从同一位置尝试。该规避会重置region,若还需区域限制须重新设计,不能一边加region一边让有参数find立即清除。历史bug不当作现代固定行为。
切换模式不等于重置匹配进度保存独立卡片。
调试表示不能当作状态恢复接口
本书用临时模式和replaceFirst绕过Matcher缺少输入getter的问题,但这样会重置匹配进度。示例恢复模式和region,并未恢复全部匹配、追加位置等状态。需要长期保留目标时,应由调用方同时持有输入;toString只是诊断表示,也不能解析它来实现稳定的输入访问和状态恢复。
调试表示不能当作状态恢复接口保存独立卡片。
原书依据 · 1 处
Pattern的辅助方法与split
Pattern还提供源模式、编译标志、文字引用、一次性matches和split。反复调用一次性matches会重复准备模式,而quote解决模式文字的特殊字符。
split返回被分隔的片段,正数limit限制片段数并把剩余文本放最后;零忽略尾部空串,负数保留。开头是否产生空片段还取决于分隔匹配是否消费字符,不能把旧文的宽泛说法直接用于现代零宽分隔。
拆分上限约束片段而非分隔次数补充本项背景,主要讲解保留在相应章。
拆分开头空项须区分零宽匹配
书中Java split说明开头出现分隔匹配时会得到空首项,但对现代Java必须区分:在开头消费字符的分隔匹配可产生空首项,零宽匹配不会产生该空首项。尾部空项是否保留则由limit决定,是另一条规则。原文的逗号例也把六个列举项误称五个,不能依叙述数量实现字段校验。
拆分开头空项须区分零宽匹配保存独立卡片。
原书依据 · 1 处
Java拓展示例
图像属性示例把外层结构定位、局部属性检索和原地修改结合起来:缺一边尺寸时按比例推算,插入文字后修正下一次起点。它明确省略了复杂HTML属性、相对URL和网络异常,不能直接作为页面处理工具。
另一个例子在同一个Matcher上用G锚定的多模式逐项扫描,展示状态切换;书中当时的失败位置bug用显式currentLoc绕过。CSV例则复用Matcher、用占有量词减少无用回退,并在识别后解码双引号,仍需遵守选定CSV方言。
切换模式不等于重置匹配进度补充本项背景,主要讲解保留在相应章。
CSV方言变化须同步识别与解码补充本项背景,主要讲解保留在相应章。
示例假设须覆盖外围依赖
Java补图像尺寸的例子展示区域检索与原地插入,但假定属性形式简单,且没处理相对URL、格式错误和图像下载异常。这些外围步骤会决定真实工具是否可用,不能因核心正则匹配成功就认为完整任务完成。应先限定输入契约,再补解析、资源访问和失败处理。
示例假设须覆盖外围依赖保存独立卡片。
原书依据 · 1 处
Java历史版本差异
本书把1.4.2到1.5的变化集中在region、边界、快照、模式切换和Unicode支持,把1.6 beta的变化列为属性与文字引用修复。这个对照帮助解释为何前面代码标注最低版本,也说明语法可用性与接口可用性必须分别核对。它不是现代版本迁移说明。
流派兼容标签不能代替行为核对补充本项背景,主要讲解保留在相应章。
第9章:.NET正则表达式
.NET以共享库向不同语言提供相同的核心正则机制,宿主字符串和对象调用语法仍由语言决定。本章使用VB示例,把前面引擎、回溯和优化知识落实到Regex及结果对象,最后介绍共享模式库和特殊捕获机制。
流派三层差异补充本项背景,主要讲解保留在相应章。
.NET流派、捕获编号与编译
.NET本书基线采用传统回溯式引擎,支持命名捕获、字符组减法、条件结构和不定长逆序环视等。正则字面转义仍先经过宿主字符串,选项又会改变字符集合和捕获规则。原文列出的Unicode版本和类别清单仅能作为历史资料。
命名组和普通组混用时,编号并非按所有左括号从左到右统一排列;条件中的名称还可能被解释为文字断言。显式标明捕获和条件意图,可以减少后续替换、拆分对编号的依赖。
.NET的Compiled并非本书泛称的准备步骤,而是额外代码生成,涉及启动、内存和重复执行成本。从右向左匹配也不是简单把最终结果倒序;原书困惑属于当时调查,当前官方已说明还会反转模式求值顺序。数字转义段落把八进制写作十进制,应纠正,不复制非法示例。
字符简记不是固定ASCII集合补充本项背景,主要讲解保留在相应章。
混用命名组会改变数字编号
本书.NET先为未命名捕获分组编号,再为命名分组编号。(\w)(?<Num>\d+)(\s+)中的Num因此是第3组,而不是按括号位置想象的第2组。替换引用、Split插入的捕获顺序和最高编号相关行为都会受到影响;使用名称或统一捕获方式可以减少错位。
混用命名组会改变数字编号保存独立卡片。
原书依据 · 1 处
显式捕获可让普通括号只做分组
.NET的ExplicitCapture或嵌入(?n)关闭普通括号的捕获,只保留明确命名的捕获组。这使普通括号能用于分组而不改变捕获接口;但已有按数字访问的处理代码也需同步核对。它不同于完全禁止所有捕获。
显式捕获可让普通括号只做分组保存独立卡片。
原书依据 · 1 处
条件名称歧义可由显式断言消除
本书.NET的条件结构中,Num若存在对应命名捕获,可表示测试捕获是否参与;若不存在,又可能被当作文字Num的向前断言。重命名或移除捕获就可能悄悄改变条件意义。需要文字条件时明确写环视,避免依赖自动解释;需要分组条件则保持命名契约。
条件名称歧义可由显式断言消除保存独立卡片。
原书依据 · 1 处
编译选项需要摊薄额外准备成本
本书.NET把通常的模式准备称解析;Compiled在此之上生成中间代码,首次使用再经JIT。它以更多准备和内存换取重复匹配吞吐,少量输入或只用一次未必合算。应以实际生命周期衡量,而不是把Compiled当无代价的加速开关;书中速度倍数和永久内存占用描述绑定旧实现。
编译选项需要摊薄额外准备成本保存独立卡片。
原书依据 · 1 处
反向搜索还须核对模式求值方向
原书讨论从右向左匹配时,指出仅把候选起点从右往左移动,与让模式组件也反向求值,可能产生不同结果。它未给出可靠规则,因此不能把当时困惑当成今天的行为说明。当前微软官方明确RightToLeft既改变搜索方向,也反转模式求值顺序;捕获与反向引用可能受影响。
反向搜索还须核对模式求值方向保存独立卡片。
原书依据 · 1 处
数字转义歧义可用明确形式回避
反斜线后数字可能引用捕获,也可能表示字符编码;解释取决于流派、已有组号和兼容选项。本书.NET建议明确采用命名/数字反向引用形式,避免与编码值混淆。原文把\012等写作十进制有误,相关字符转义是八进制,8不能充当八进制数字;ECMAScript段落也不能理解成永远不可能回退为字符转义。
数字转义歧义可用明确形式回避保存独立卡片。
原书依据 · 1 处
.NET对象模型与快速入门
静态入口能直接查询或改写,显式Regex则把模式准备和应用分开。Regex.Match返回一次Match,Match有整体的Success、Value、Index和Length;Groups中的每个Group表示一组捕获,0组对应整体。
失败结果与合法空串不能只凭Value区分,分组未参与也应查看其Success。示例把查找、捕获、替换组织成不同任务,HTML例仍只是教学子集,不能把三字符转义等同完整上下文安全编码。
多步转义须安排处理顺序补充本项背景,主要讲解保留在相应章。
匹配成功不能只凭结果非空判断
.NET的Match.Success表示整体是否匹配,Group.Success表示该组是否参与;Value是取得的文本。合法匹配可以是空串,未参与分组也会返回空Value,所以只判断Value非空会混淆不同情况。Groups还包含0组,它代表整个匹配,Count不能直接当普通捕获括号数量。
匹配成功不能只凭结果非空判断保存独立卡片。
原书依据 · 1 处
.NET核心对象与替换拆分
创建Regex准备模式,IsMatch返回是否存在匹配,Match取一次结果,Matches取多次结果,NextMatch继续取得下一个Match。外部模式的非法语法必须与普通不匹配区分。调用重载也影响边界:只给起点不遮蔽原输入,给定起点及长度则限定了可见区域。
Replace可用模板或每次调用的MatchEvaluator计算结果。模板中美元符号另有规则,Match.Result仅按该规则生成字符串。Split则可能把捕获的分隔内容插入结果,count不能简单当最终总数组长度;书中还记录了当时可选捕获的返回缺陷。
Regex的组名/编号查询是模式结构信息,Match和Group的成功、文本及坐标则是一次结果信息。相同的Value或Length不意味着状态相同,失败和空串须用Success区分。Index无论搜索方向如何都相对原输入左端。
分隔模式捕获会插入额外返回项补充本项背景,主要讲解保留在相应章。
搜索起点不等于输入可见边界
本书.NET的Match(target,offset)只改变搜索起点,引擎仍可看到整个目标;Match(target,offset,maxlength)则把指定片段作为输入边界,锚点和环视不能按原来的全输入解释。需要限定某一片段时不能只跳过前缀。起点、长度、结果偏移是三个不同概念。
搜索起点不等于输入可见边界保存独立卡片。
原书依据 · 1 处
替换委托可按每次捕获计算结果
.NET Replace的replacement既可为替换模板,也可为MatchEvaluator。委托每次收到一个Match,按捕获进行数值运算或其他处理,再返回替换文字;这比在模板里列固定捕获引用更灵活。书中摄氏转换正是先匹配再计算,解析格式、大小写及允许数值范围仍由调用方负责。
替换委托可按每次捕获计算结果保存独立卡片。
原书依据 · 1 处
结果格式化不等于修改原始输入
.NET Match.Result把替换模板中的整体、分组、前后文本等引用解释成一个字符串;它不在目标输入中执行一次新搜索或原地替换。调试时可用它把一次匹配两边加标记,业务改写则应使用对应Replace并接住返回值。模板引用语法也不同于正则模式语法。
结果格式化不等于修改原始输入保存独立卡片。
原书依据 · 1 处
替换模板不能套用模式转义规则
本书.NET替换模板用$&或$0引用整体、用${name}引用命名捕获,$$表示文字美元符号。模式中的分组、字符转义规则不等于模板规则;要写任意文字或按捕获计算,应按替换接口处理,而不是把Regex.Escape的结果直接当替换文字。
替换模板不能套用模式转义规则保存独立卡片。
原书依据 · 1 处
对象结构查询不同于匹配结果
.NET Regex的组名、组号及二者映射描述模式中有哪些捕获,不要求这些组在某次匹配中参与。某一次捕获是否存在、其Value和Index,应查看对应Match/Group。把结构存在当实际捕获成功,会在可选分支与空捕获时误判。
对象结构查询不同于匹配结果保存独立卡片。
原书依据 · 1 处
结果坐标不随搜索方向倒置
本书.NET的Match.Index和Group.Index都从原输入最左端以0开始计数,即使启用了RightToLeft也不改成从右数。Length表示文本长度。需要展示或切片时应使用这个坐标约定,不能因搜索方向反向就再次翻转索引。
结果坐标不随搜索方向倒置保存独立卡片。
原书依据 · 1 处
.NET静态便捷函数与缓存
静态IsMatch等把对象准备和调用包在一次函数里,减少显式变量;它们还可复用近期模式缓存,因此不能简单说每次都重新编译。缓存容量相对于工作集过小时会反复淘汰,显式持有Regex则有更可控的生命周期。
缓存是否有效取决于模式工作集
本书.NET静态方法缓存近期模式,示例用15个槽说明:若循环轮换16个不同模式,旧项可能在再次使用前已淘汰,缓存就不能免除重复准备。不能只看“有缓存”,还要看容量、访问顺序和实际工作集;需要稳定复用时可显式持有Regex。默认数值属于接口版本细节,调整前应按实际需求核对。
缓存是否有效取决于模式工作集保存独立卡片。
原书依据 · 1 处
.NET支持函数
Regex.Escape用于把外部文字嵌入模式,Unescape则解释受支持的转义,两者都应限定语境。Match.Empty可初始化尚无成功结果的变量,让循环零次执行后仍能检查Success;它表达未匹配,并不表示变量引用缺失。
模式文字化与解码是不同操作
本书.NET用Regex.Escape把外部文字的模式元字符引用起来,再嵌入正则;Regex.Unescape则会解释受支持的字符转义并处理引用。它不是普通字符串清洗,也不应假定能无条件逆转任意模式或替换模板。使用前先确定输入本来处于哪一层语法。
模式文字化与解码是不同操作保存独立卡片。
原书依据 · 1 处
无匹配结果对象可统一空流程
.NET可用Match.Empty初始化尚无结果的变量。遍历零行或没有找到目标时,仍有一个可查询Success的未匹配对象,避免访问未初始化引用。它把“目前没有成功结果”表达为结果状态;这与非法模式异常或程序故障不同。
无匹配结果对象可统一空流程保存独立卡片。
原书依据 · 1 处
.NET高级话题:模式库与捕获栈
原书通过CompileToAssembly把多个命名Regex封装为共享DLL,让使用者按类名调用;这是.NET Framework年代的复用方式,现代框架已废弃或不支持该入口。本节保留模式与接口一起封装的思路,不能把历史构建步骤当作当前操作指引。
平衡分组把同名捕获当栈:遇到内部开括号压入,闭括号弹出,栈空时不能再弹出,最后还需检查没有未闭合层级。捕获状态受回溯管理,比普通外部计数副作用更贴合匹配路径。这个例子是在搜索配对子串,不能证明整段输入都平衡。
Capture集合保存一次成功匹配中重复组的多次捕获,Group.Value只表示最终那个。它不等于每条回溯路径的完整执行日志;0组的捕获也不能代替所有匹配的集合。
括号范围决定捕获整段或末次补充本项背景,主要讲解保留在相应章。
模式复用还可封装稳定调用接口
原书.NET把邮件标题和CSV字段等命名模式编译到共享装配件,使用者通过具体类调用,不必反复复制模式文字。它体现模式、选项和用途共同封装的思路。CompileToAssembly是历史.NET Framework接口:官方说明.NET Core及.NET5/6不支持,.NET7起标为废弃,并指向GeneratedRegex源生成方式;不能直接沿用书中构建命令。
模式复用还可封装稳定调用接口保存独立卡片。
原书依据 · 1 处
平衡分组用捕获栈维护嵌套
本书.NET示例在内部开括号后用同名空捕获压入DEPTH,内部闭括号用(?<-DEPTH>)弹出最近捕获,空栈再弹出就失败。末尾条件(?(DEPTH)(?!))拒绝仍有未闭合层级。捕获栈随引擎回溯管理,外层原子结构减少无用退让。示例搜索第一段能正确配对的括号子串,并不验证整个输入均平衡;引号、转义或多类括号须另定文法。
平衡分组用捕获栈维护嵌套保存独立卡片。
原书依据 · 1 处
重复捕获集合不同于回溯轨迹
.NET中同一捕获组在一次成功路径上反复参与时,Group.Value通常显示最后一次捕获,而Group.Captures保存这些多次捕获。书中^(..)+匹配abcdefghijk,组1最终为ij,集合含ab、cd、ef、gh、ij。它不是引擎所有失败路径的日志;想找不同全局匹配,应使用Match/NextMatch等接口。
重复捕获集合不同于回溯轨迹保存独立卡片。
原书依据 · 1 处
第10章:PHP与preg的版本基线
本章选择preg接口及其PCRE引擎,原书基线是PHP4.4.3⁄5.1.4和PCRE6.6。preg是PHP对正则库的绑定,PHP版本与所带库版本应分别确认;“Perl兼容”不代表所有能力和版本语义相同。作者回顾其他接口与源码历史,只作理解当时选择的背景。
流派兼容标签不能代替行为核对补充本项背景,主要讲解保留在相应章。
PHP正则流派与编码层次
本书preg默认按字节处理,u模式把模式和目标按UTF-8解释;这不是转换输入编码,也不等于自动改变所有字符类别。字符类别、Unicode属性和字节操作应分别理解。
本书关于六字节UTF-8及十进制转义的文字有误,不沿用;现代UTF-8至多四字节,相关数值转义是八进制。逆序环视长度、Unicode版本和简记集合均应绑定该书库版本。
编码支持还须检查字符类别补充本项背景,主要讲解保留在相应章。
字节操作会打破多字节字符边界
本书preg即使用u按UTF-8解释,字节级结构仍可能只消费多字节字符的一部分。字符级匹配、字节偏移和原始字节操作必须分别约定;把字节片段当完整字符再继续匹配会破坏边界。原文“一个UTF-8字符可能六字节”不沿用现代标准,现代UTF-8最多四字节。
字节操作会打破多字节字符边界保存独立卡片。
原书依据 · 1 处
preg参数、分隔符与模式修饰符
preg接收的pattern不仅是模式本身,还包含分隔符与修饰符;它通常又写在PHP字符串中,形成宿主字符串、pattern包装、正则三层解释。忘记分隔符或让内部字符提前结束包装,可能报Unknown modifier;错误也可能恰好形成另一合法模式而不报错。
u选项只声明按UTF-8解释,不能把其他编码自动转换过来。x、s、m等有各自作用范围;U反转量词默认偏好,不能消除回溯。旧版X、S、e的描述必须与今天分开,其中e已移除,S也不再有书中效果。
模式包装错误可能伪装成修饰符错
PHP preg要求pattern两端有分隔符。若漏掉显式分隔符,模式开头的标点可能被当作分隔符,后面的部分则被误当修饰符,报Unknown modifier;更隐蔽时错误包装仍能解析成合法但不同的模式。排查时先分清宿主字符串的值、分隔位置和内部正则,不只盯错误字母。
模式包装错误可能伪装成修饰符错保存独立卡片。
原书依据 · 1 处
单引号字符串也有反斜线解释
本书PHP单引号字符串主要解释单引号和反斜线的引用,因此能减少正则中的额外转义,却不是完全原样传递。正则中匹配文字反斜线本来就需引用,再经过宿主字符串可能还需加倍。最终应逐层检查实际字符串值和模式意义,不能凭源码斜线总数猜测。
单引号字符串也有反斜线解释保存独立卡片。
原书依据 · 1 处
字符编码选项不转换目标数据
PHP的u修饰符声明模式和目标按UTF-8解释,不会把原本其他编码的数据转为UTF-8。只有输入确实符合这个编码时,字符级消费才有正确基础;从多字节字符内部设置字节起点也会出错。字符类别是否Unicode化又是另一选项或具体语法问题。
字符编码选项不转换目标数据保存独立卡片。
原书依据 · 1 处
未来语法可能改变无意义转义
本书PHP的旧X模式能让某些未识别的反斜线字母组合报错,而非忽略反斜线。作者借此说明:不要给普通字母随意加反斜线,因为未来它可能成为特殊语法。这个可读性原则仍能理解,X的实际能力则须按具体PCRE版本核对,不能照搬本书k的旧例。
未来语法可能改变无意义转义保存独立卡片。
原书依据 · 1 处
量词偏好反转不改变回溯机制
本书PHP的U模式把普通量词改成默认忽略优先,带问号的形式反而匹配优先。它改变的是尝试顺序,不是把量词变成原子或保证最短结果。局部问号与全局U混用时更难阅读,应把实际作用范围写清楚。
量词偏好反转不改变回溯机制保存独立卡片。
原书依据 · 1 处
preg函数:匹配、替换、拆分与筛选
preg_match处理一次匹配,preg_match_all处理全部匹配,但返回状态、结果数组和排列方式必须分别理解。成功不等于捕获文本非空,未参与与合法空捕获也不同;启用UTF-8后,返回偏移和搜索起点仍是字节坐标。
preg_replace返回改写副本,可对多个模式和多个目标进行处理。多模式是顺序变换,下一条规则能再次匹配刚插入的文字;数组的实际顺序、每项limit和总count都有不同含义。固定模板与回调计算也应区分,历史/e不作为可执行方案。
preg_split按分隔取片段,规则是否合并连续分隔、是否删除空项、是否加入捕获和偏移,都会改变结果契约。preg_grep按值筛选并保留原键;preg_quote负责文字嵌入而非已有模式包装。把这些接口合在一起,关键是先明确任务、坐标、结果结构与失败类型。
设定搜索起点不等于锚定该位置补充本项背景,主要讲解保留在相应章。
替换次数与文本是否变化不同补充本项背景,主要讲解保留在相应章。
匹配返回值须区分未中与错误
原书把preg_match描述成真假,但PHP实际接口应区分成功的1、未匹配的0和执行/编译失败的false。用严格比较后再读matches,才能把普通不匹配与非法模式、回溯限制等故障分开;不能仅靠matches非空判断成功,旧值或空匹配都可能误导。当前返回语义已按PHP官方手册核对。
匹配返回值须区分未中与错误保存独立卡片。
原书依据 · 1 处
捕获文本为空不等于未参与
本书PHP在结果中用空字符串表示某些未参与捕获,尾部还可能省略,所以单看文本不能区分合法空捕获。书中借偏移-1识别未参与,构造带null结果的辅助函数。现代PHP另有PREG_UNMATCHED_AS_NULL且版本影响尾部保留;应按目标版本设计结果结构,不复制使用create_function的历史实现。
捕获文本为空不等于未参与保存独立卡片。
原书依据 · 1 处
UTF模式下的偏移仍可能按字节
本书preg的offset参数与PREG_OFFSET_CAPTURE结果都按字节计数,即使启用u模式。起点必须处于合法UTF-8边界;从多字节字符内部开始不是从“下一个字符”开始。返回偏移仍相对整个目标,不因指定起点而重置坐标。适用于字节切片的坐标不能直接当视觉字符数。
UTF模式下的偏移仍可能按字节保存独立卡片。
原书依据 · 1 处
多次匹配结果有两种排列方向
PHP preg_match_all默认按捕获组组织数据:先索引组号,再索引第几次匹配。PREG_SET_ORDER则先索引匹配次数,再索引该次分组。加入偏移捕获后,叶子又变为文本与字节偏移二元组;命名捕获还会产生命名键。选择一种排列并固定消费代码,避免把组号与匹配序号颠倒。
多次匹配结果有两种排列方向保存独立卡片。
原书依据 · 1 处
清理格式字符不能代替数据校验
原书用preg_replace删除非数字字符来容纳卡号或电话中的空格、连字符,展示程序可承担输入格式化。但不加区别删除任何非数字也可能掩盖输入错误;清理后只含数字或为空,不证明号码合法。应先说明允许删除哪些格式字符,再检查长度、范围与具体业务规则,不将此例视为资金数据验证方案。
清理格式字符不能代替数据校验保存独立卡片。
原书依据 · 1 处
顺序替换会继续处理前次产物
PHP preg_replace接收多个模式时按顺序处理,后一个模式看到的是前一个模式的结果。先给数字加num标签,再替换字母,就可能把新插入的num也包进word标签;连同replacement一起倒序也不会自动保持同一结果。若要求基于原始文本同时映射,应选相应的单轮识别与替换设计。
顺序替换会继续处理前次产物保存独立卡片。
原书依据 · 1 处
数组配对依赖实际迭代顺序
本书PHP多模式替换的pattern与replacement按数组内部迭代顺序配对,而非自动按数值key相等来找对应项。分次填充导致两者顺序不同,便可能把替换规则配错;需要按key顺序配对时应先明确排序并同步两数组。缺少对应替换项还可能使用空串,不能把缺项当跳过。
数组配对依赖实际迭代顺序保存独立卡片。
原书依据 · 1 处
回调替换把数据与执行代码分开
PHP preg_replace_callback在成功匹配后把matches交给已定义的回调,返回文字作为替换;原书旧/e则把插入捕获后的字符串再次当代码解释。两者不只是速度差别,代码与数据的边界也不同。官方迁移资料说明/e自PHP7移除,应使用回调;原书用create_function建函数的做法也已自PHP8移除,应区分现代闭包与历史字符串求值。
回调替换把数据与执行代码分开保存独立卡片。
原书依据 · 1 处
分隔符合并可能抹去空字段
PHP本节比较逗号两侧可空白的分隔模式,与把空白和逗号一起连续消费的字符组。输入123,,,456时,前者把三个逗号分别当分隔,保留两个空字段;后者把整个分隔串消费一次,只剩两个字段。两种规则对应不同数据意义,不能仅因结果更短就替换。
分隔符合并可能抹去空字段保存独立卡片。
原书依据 · 1 处
有限次拆分可保留未处理尾部
本书preg_split以limit=2切出协议示例的首段,第二段保留之后全部内容,避免正文中的同类分隔符再被切碎。上限只表示最多得到相应常规片段,未找到分隔时还要处理结果不足的情况。示例容忍不同换行,只是拆分教学,不是完整HTTP解析器。
有限次拆分可保留未处理尾部保存独立卡片。
原书依据 · 1 处
删除空片段会改变字段位置
PHP preg_split的NO_EMPTY丢弃空字符串,适合把连续分隔产生的空片段视作噪声;若空字段代表缺失值,它会改变字段数及后续索引含义。DELIM_CAPTURE又会加入参与捕获的分隔内容,额外项不计常规limit;OFFSET_CAPTURE改变叶子结构。组合标志前应先确定消费代码需要的结构。
删除空片段会改变字段位置保存独立卡片。
原书依据 · 1 处
保留分隔内容可重建原始输入
PHP split若把完整分隔串放入捕获,并开启DELIM_CAPTURE,就能连同普通片段保留原有分隔文字。示例以奇偶位置区分字段与分隔,适合错误高亮后原样重组;这一奇偶约定依赖单个完整捕获且没有删除空项等前提,多捕获或NO_EMPTY组合后不能照用。
保留分隔内容可重建原始输入保存独立卡片。
原书依据 · 1 处
反向筛选与正向补集需考虑空值
本书preg_grep反向筛选含空白项,会留下所有不含空白的项,包括空字符串;用首尾锚定的一个以上非空白字符正向筛选,则会排除空串。两个条件看起来互补,却因最小长度不同而不等价。原文把包含空白写成“由空白构成”也过强,模式只要求找到一个空白。
反向筛选与正向补集需考虑空值保存独立卡片。
原书依据 · 1 处
模式文字化还须处理外围分隔符
PHP preg_quote把外部文字的模式元字符引用起来,可另传分隔符使其也被转义。但“文字嵌入正则”与“把已有正则包装成preg参数”是不同任务,后者不能把所有元字符都变成文字。配对分隔符、宽松模式空白和版本变化仍需检查;原书“#不转义”是旧行为,PHP7.3起已转义#。
模式文字化还须处理外围分隔符保存独立卡片。
原书依据 · 1 处
缺失的preg辅助功能
外部输入可能是文字、裸正则或完整preg参数,三者需要不同处理。裸正则加分隔符时,既不能把原有元字符全部引用掉,也不能无条件替换每个分隔符,必须考虑已有反斜线和末尾引用。
包装正确后仍可能语法错误,因此作者另写辅助检查函数,在尝试编译时收集并恢复原来的错误状态。这些代码使用旧版运行时设施,保留设计职责,不能当现代可直接运行的实现。
已有模式包装不同于文字转义
把外部裸正则用于PHP preg时,需要保留它的正则意义,同时增加分隔符与修饰符。preg_quote会把元字符也文字化,不能用于这个任务;简单在两端加斜线又可能被内部斜线打断。书中辅助函数按已有引用、未引用分隔符和末尾反斜线分别处理,说明转换必须尊重输入语法层次。
已有模式包装不同于文字转义保存独立卡片。
原书依据 · 1 处
包装合法不代表内部模式合法
外部输入即使已被包装成正确preg参数,内部模式也可能非法,例如把文件通配符误当正则的开头星号。作者把包装与编译语法检查拆成两个辅助职责。语法正确仍不证明模式符合业务含义、可控耗时或能处理全部输入;不能把“可编译”当最终验收。
包装合法不代表内部模式合法保存独立卡片。
原书依据 · 1 处
临时错误处理应恢复原运行状态
本书PHP语法检查辅助函数临时调整错误追踪并保存原错误消息,试用模式后再恢复。它体现诊断操作应收束自身副作用,不能把旧消息当本次错误或破坏调用方状态。具体track_errors、旧全局变量和字符串建函数均是历史实现,本轮只保留职责,不照搬为现代代码。
临时错误处理应恢复原运行状态保存独立卡片。
原书依据 · 1 处
递归正则与嵌套结构
整个模式递归R会连新增外围锚点一起递归,可能让内部结构无法匹配;把可递归主体放入单独捕获,再以编号或名称调用,才能把最外层边界约束与递归内容分开。
重复普通文本又被外层重复时,会出现多种等价拆分,失败时成本很高。仅在确定无须交还的地方原子化,或改写为无歧义循环。原书把递归调用视为原子,是当时PCRE行为,PCRE2从10.30起已允许回溯进入调用,现代不能依赖旧隐含原子性。
循环检查点须避免歧义分段补充本项背景,主要讲解保留在相应章。
递归主体应与外围约束分离
PCRE的整个模式递归会重复模式内的一切。若在原有嵌套主体外直接加首尾锚点,而内部仍递归整个模式,嵌套层也被要求位于输入两端,反而失败。把主体放进单独分组,再递归该编号或名称,最外层锚点就不随调用重复。区分完整输入检查与配对子串搜索,才能选择正确外围约束。
递归主体应与外围约束分离保存独立卡片。
原书依据 · 1 处
子程序调用重复模式而非旧文本
本书PCRE的编号或命名子程序调用会重新应用那组中的子模式,可以在更深层识别同一结构;反向引用则要求当前位置与已捕获的文字一致。两者都能提到“分组”,实际一个复用匹配规则,一个复用结果内容。递归外围若插入新捕获,也要同步编号或改用名称。
子程序调用重复模式而非旧文本保存独立卡片。
原书依据 · 1 处
递归调用的原子性依赖版本
原书PCRE6.6把成功递归调用当作原子组:后续失败时可放弃整段调用,却不能进入其中重选部分路径。这个语义会改变结果,不能当递归正则的普遍性质。PCRE2官方说明从10.30起可以回溯进入递归/子程序调用;若确实需要原子效果,必须明确表达该约束。
递归调用的原子性依赖版本保存独立卡片。
原书依据 · 1 处
PHP效率与历史study
本书PHP效率讨论以实际输入和计时为基础,并区分模式缓存与对模式的额外分析。旧S尝试从多个可能起始字符中预查候选,只有能跳过足够多无用起点,才可能摊薄分析成本;若几乎处处可开始、模式可空或已有单字符预查,收益可能有限。
这保留的是优化推理,S本身已不再有原书效果,官方手册注明PHP7.3起无作用。它也与Perl旧study给目标文本建索引不同,不能因名称相同混为一谈。
预查必要条件可跳过完整匹配补充本项背景,主要讲解保留在相应章。
相同优化名称可能分析不同对象
本书Perl旧study分析目标文本并为重复搜索准备信息,PHP旧S则分析模式可从哪些字符开始,帮助跳过不可能起点。名称相似不表示机制相同;准备成本、复用条件和数据变化影响也不同。当前PHP官方手册说明S自7.3起无作用,不能照旧版建议加S来声称提速。
相同优化名称可能分析不同对象保存独立卡片。
原书依据 · 1 处
PHP扩展示例及适用边界
CSV例以连续定位、字段捕获和引号解码组合解析,仍需核对具体方言;图719把字段内部写成一次以上,不能覆盖此前讨论的全部空字段。不能只因沿用同一示例名就认为边界未变。
标签嵌套例用递归主体、标签名反向引用和普通文本分支组合教学语法。它强调失败时标签名也不能回退成前缀,这一点能迁移到其他结构化提取;但自封闭分支的占有量词与后续斜线争用,原样会拒绝预期输入。
新增注释、CDATA或script分支也不会自动变成真实XML/HTML解析器。原文正文把DOTALL小写s写成大写S,完整代码另有正确设置;图中的其他简化及缺陷均不作为可执行通用验证方案。
示例改写后须重验边界输入
PHP扩展CSV图719把引号字段普通段和非引号字段写成一次以上,因此空字段、空引号字段及某些相邻转义引号不具备此前宽松方言的覆盖能力。图720又只按取得的匹配遍历,没有用结果本身证明原行已完整消费。模式即使号称前例优化版,也需重验空值、连续分隔和失败尾部。
示例改写后须重验边界输入保存独立卡片。
原书依据 · 1 处
字段捕获不能在失败时退成前缀
本书标签例的开标签名若用普通贪婪字母串,后续闭标签对不上时可能回退,把link只捕为li,其余字符落入属性部分,错误通过link与li的配对。需要在捕获后建立可靠字段边界,或在已证明整段为名称的条件下占有化,保证失败时也不能缩短名称。成功时贪婪并不保证失败路径仍保持完整字段。
字段捕获不能在失败时退成前缀保存独立卡片。
原书依据 · 1 处
占有消费不能抢走后续必需字符
原书自封闭标签分支写作<\w[^>]*+/>,其中占有的[^>]*+会把结束斜线也消费,随后/无法取得该字符,又不能回退交还,因此连预期的自封闭形式也不能按作者说明匹配。必须先重新设计内文与闭符的边界,不能把“这里占有没有负面影响”的结论直接复制。此处仅记录静态语义推导,未执行原代码。
占有消费不能抢走后续必需字符保存独立卡片。
原书依据 · 1 处
教学嵌套语法不等于完整标记语言
原书以递归与名称反向引用检查简化标签配对,再加入注释、CDATA、处理指令和script分支。它仍没有完整处理真实XML/HTML的词法、引号、实体、名称规则与错误恢复,且示例自身有闭符占有冲突。应把它当作递归机制示范;不能因少量配对示例通过就称为通用标记语言验证器。
教学嵌套语法不等于完整标记语言保存独立卡片。
原书依据 · 1 处
跨章综合
基础语法与引擎机制互相解释。以可选数字后缀为例,语法允许“有或没有”,引擎在后续失败时就可能撤销已经取得的后缀;因此业务上的“如果出现就必须完整取得”不能只靠贪婪量词表达。标签名被退成前缀、CSV跳过坏字段、固定宽度记录错位,都说明边界条件必须在失败路径上仍成立。
流派、字符和接口是三个彼此关联的层次。宿主字符串先处理反斜线和插值,正则再解释模式;Unicode编码、字符类别、正规化又分别回答字节怎样变成字符、字符属于什么集合、等价序列怎样比较。UTF模式不转换输入,也不保证单词简记包含期望的全部文字。匹配结果的偏移还可能按字节或UTF-16单元计数,不能直接当视觉字符数量。
模式与外围程序共同完成任务。邮件提取后还需检查必需字段,替换需要正确保留未匹配片段并接住返回值,拆分需要决定空字段和捕获分隔符的位置,连续扫描需要保证每轮推进或明确结束。Java的region与重置、Perl的匹配上下文和pos、.NET的结果对象、PHP的状态及数组组织,各自把这些责任暴露在不同位置。跨语言迁移不能只替换函数名。
性能优化最终依赖文法与调用生命周期。无歧义的普通/特殊片段划分能减少失败时的等价拆分;预查则依靠必要条件跳过不可能起点;编译缓存减少准备,却不能把变化的参数永久锁定。原书计数模型用来解释风险,不是现代具体实现的实测结果。后四章的历史勘误也提醒,旧版本的全局变量复制成本、study、递归原子性和编译装配件,不能变成永久禁令或操作建议。
完整阅读后的取舍是:保留能解释行为的机制,按用途组织操作参考,并明确示例假设与版本边界。没有执行书中替换、日志处理、HTML/XML校验、基准或旧求值代码;实践部分交付的是下一步计划与首轮材料。
发散与实践
读者延伸分为两个互相补充的方向。第一张把当前Cardbox文件名解析变成输入契约与样本,关注正确性。第二张先读Go固定版本的成熟实现,比较本书传统回溯与去重/单遍/NFA策略,避免直接把书中成本结论套在当前引擎上。
建立正则回归样本集(ideas/idea-001-建立正则回归样本集.md)交付真实任务计划;测量失败路径回溯成本(ideas/idea-002-测量失败路径回溯成本.md)沿用历史文件名,当前按实现深读交付。首轮材料(ideas/_materials/regex-first-round.md)已记录本地入口、官方固定版本、实际已读范围和机制映射。两项均为计划与准备材料,未执行代码修改、测试、基准或现实操作。
未另选HTML/XML通用解析器或造引擎:原书教学子集与当前任务不等价,完整实现成本也非本次学习目标。跨语言接口比较已融入本书讲解,暂不再扩成第三张同义实践。