主题对照

正则语法与匹配语义

比较元字符、字符组、锚点、捕获、环视、反向引用与匹配模式等构件的语义,以及流派和宿主转义带来的差异。

23 张卡片 · 2 本书

本层 23 张卡片 · 含下级覆盖 23 张卡片

本主题的卡片

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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。

查看卡片与原书出处

精通正则表达式(第3版)

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]]。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

正则分支按顺序尝试

正则表达式的 | 分支按书写顺序尝试;较早分支一旦成功,后面的分支不一定再有机会。/in|int/ 匹配 into 时得到 in,不是更长的 int。发散:分支有前缀重叠时应先确认预期优先级,必要时重排或合并表达式。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

捕获分组保存匹配文本

正则的 (...) 不仅分组,还保存匹配文本并按编号写入结果;(?:...) 只分组匹配,不占捕获编号。发散:仅需控制优先级或量词范围时,用非捕获分组可使结果数组更稳定;确实需要抽取的片段再使用捕获。关联:[[正则需要结构化]]。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

量词贪婪改变匹配范围

正则量词规定前一因子可重复的次数:? 为零或一次,* 为零或多次,+ 为一次或多次。默认贪婪量词尽量多匹配;在量词后加 ? 则尽量少匹配。发散:同一输入中,贪婪性会改变捕获范围;验证模式时要用包含多个候选终点的样例检查边界。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

词边界不等于自然语言边界

正则 \b 依赖引擎对“词字符”的定义来判断边界,不能直接当成中文等自然语言的分词器;\w 也主要围绕基本拉丁字母、数字和下划线。发散:多语言文本校验应先定义目标字符集与分词规则,再选适用的 Unicode 属性匹配或专门分词工具,而非套用英文边界。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

前瞻判断不消耗文本

正向前瞻 (?=...) 要求当前位置之后能匹配指定模式,负向前瞻 (?!...) 要求不能匹配;两者只作条件判断,不把所检查的文本计入当前匹配结果。发散:需要限定后续内容、却不想吞掉它时,前瞻比把条件写进捕获组更贴近意图。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions

反向引用重用捕获文本

反向引用 \1 要求后续位置再次出现第 1 个捕获组实际匹配到的文本;\2 指向第 2 组,依此类推。它检查的是本次输入中的相同内容,而不是把分组模式重新执行一遍。发散:识别重复单词或成对标记时,反向引用能表达“两处必须一致”的约束。关联:[[捕获分组保存匹配文本]]。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 方法 Methods

全局正则复用须注意lastIndex

带 g 标志的正则对象用 exec 连续查找时,搜索从 lastIndex 开始;成功后它前移,失败后归零。test 也会受同一状态影响。若提前结束循环并复用同一对象,先按意图重置 lastIndex,否则可能漏掉开头的匹配。发散:把正则对象当作有状态游标管理。关联:[[字面量适合常量]]。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 方法 Methods

match的全局模式改变结果形状

String.match 不带 g 时返回首个匹配及捕获组;带 g 时返回所有完整匹配,捕获组不逐项保留。需要逐次取得捕获组时,应改用 exec 循环或现代 matchAll。发散:同一 API 的标志会改变结果结构,调用方须据此设计解析逻辑。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 方法 Methods

替换回调按匹配计算文本

replace 的替换值可用函数:每次匹配都调用它,传入完整匹配和捕获组,返回该处的新文本。字符串查找默认只替换首处;全局正则可逐处替换。发散:转义或规范化若依赖匹配内容,应在回调里明确转换规则,避免堆叠难读的替换模板。

查看卡片与原书出处

JavaScript语言精粹(修订版) · 方法 Methods

split捕获组进入结果

字符串 split 用带捕获组的正则作分隔符时,捕获到的分隔文本也会进入结果数组。只想拆分片段,应把仅用于分组的括号写成非捕获组 (?:...);想保留分隔符则可有意使用捕获组。发散:解析前先确定结果是否需要保留分隔符。

查看卡片与原书出处
辅助阅读:卢曼编号

按卢曼编号阅读

点击箭头逐层展开,点击卡片标题查看详情。路径上下文仅用于连接层级,不计入主题卡片数。

  • 展开或收起下级: 1495 正则需要结构化 路径上下文 JavaScript语言精粹(修订版) · 正则表达式 Regular Expressions 理解等级:未标注
  • 展开或收起下级: 1909 正则是语言 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 1909.a 元字符依赖语境 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 展开或收起下级: 1909.b 字符组不是多选 主题成员 精通正则表达式(第3版) 理解等级:未标注
  • 展开或收起下级: 1910 从样例逼近模式 主题成员 精通正则表达式(第3版) 理解等级:未标注
  • 展开或收起下级: 1911 流派三层差异 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 1911.a 双重转义心智 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 1911.b 模式改变语义 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 1911.c 零宽断言不消费 主题成员 精通正则表达式(第3版) 理解等级:未标注
    • 1911.d 反向引用改变能力 主题成员 精通正则表达式(第3版) 理解等级:未标注
  • 3181 替换回调按匹配计算文本 主题成员 JavaScript语言精粹(修订版) · 方法 Methods 理解等级:中级

来源书籍