Chinaunix首页 | 论坛 | 博客
  • 博客访问: 241862
  • 博文数量: 137
  • 博客积分: 5005
  • 博客等级: 上校
  • 技术积分: 1360
  • 用 户 组: 普通用户
  • 注册时间: 2005-03-25 09:21
个人简介

每天进步一点点

文章分类

全部博文(137)

文章存档

2016年(1)

2013年(2)

2012年(30)

2011年(42)

2006年(27)

2005年(35)

分类:

2005-09-05 08:58:45

关于正则表达式的一个问题

首先明确一下什么是匹配
匹配可以从两个方面来理解
1 一个正则表达式和一个字符串是否匹配
   在perl中 =~ 代表捆绑 也就是让正则表达式去匹配指定的字符串
   如果如果用匹配的符号形式来表现 对于 /regular/ =~ "string"  如果返回值为真 则说/regular/ 匹配了"string"
2 一个正则表达式不只可以匹配一个字符串
   例如  /a*b/   不仅可以匹配aaaab 还可以匹配aaaaaab     b 等
   这里所谓的“匹配”也是指  /a*b/ =~ aaaab   /a*b/ =~ b  返回值都是真
下面说说依次匹配
首先的一个问题是一个正则表达式的工作过程
举个例子

代码:
$data is 192.168.0.1
$data =~ /([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/;
$1 is 192.
$2 is 168.
$3 is 0.
$4 is 1
这里
/([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/  匹配了192.168.0.1
同时在这个较长的正则表达式子是由几个短的正则表达式组成的,这些短的在()中的正则表达式称为模式,大家对$1,$2,$3,$4的值的输出都非常理解


下面再举一个例子

代码:
$data =~ /([0-9]*.)([0-9]*.)*([0-9])/;
$1 is 192.
$2 is 0.
$3 is 1


这里有观点解释到这里([0-9]*.) ([0-9]*.) *([0-9])  红色部分"依次匹配" 了168.    0.       所以是0.  
这并不是很好理解
有证:

3x3eyes 写到:
....匹配.168都还好理解所谓的依次匹配是什么意思,请各位帮忙


问题的关键是为什么这里的红色部分会去依次匹配168.     0.呢?regular 有这种依次匹配的机制吗 它在什么情况下会这样做 什么情况下不会这么做呢
下面我们通过一个例子来验证regular 会不会有这种依次匹配的机制

代码:
$data =~ /([0-9]*.)([0-9]*.)([0-9])/;
$1 is 192.
$2 is 168.
$3 is 0


这里红色部分并没有去依次匹配168.  0. 而是直接匹配了168.  
为什么呢 看来 问题出现在* 上面
也就是当正则表达式是 $data =~ /([0-9]*.)([0-9]*.)*([0-9])/;   的时候  红色部分依次匹配了168.   0.   并最终把最后匹配的0.存到了分组2中
     当正则表达式是 $data =~ /([0-9]*.)([0-9]*.)([0-9])/;    的时候  红色部分就不再依次匹配了??  它就匹配168.  并把168存在分组2中 这是什么道理?  
正则表达式有一个引擎 引擎的工作原理细节没有找到相应文档 但是对于这种情况 可以试着解释为

代码:
对于 $data =~ /([0-9]*.)([0-9]*.)([0-9])/;
这时候对于模式1 模式2 模式3 他们没有机会选择  分别将各自匹配的 192.   168.   0  存在正则表达式的记忆体 1 2 3中
而对于 $data =~ /([0-9]*.)([0-9]*.)*([0-9])/;
对于模式1  从左到右搜索$data 匹配了192.    把它存在了记忆体  1中
对于模式2  从左到右搜索剩下的$data 部分  匹配了 168.  并把它存在了记忆体2中
下面到了*  这里*代表 前面模式的0次或多次出现 虽然在功能上对于这个例子它等于([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/, 但是它并不等价于正则表达式/([0-9]*.)([0-9]*.)([0-9]*.)([0-9])/ 。这时候仍然是模式2 去从左到右搜索$data剩余的字符串0.1  结果匹配了0.  由于仍然是模式2去匹配,所以0. 仍然存在记忆体2中,冲掉了原来存在记忆体2中的内容 下面([0-9])  匹配了1 并把它存在了记忆体3中。


看到这里,可以试着总结出正则表达式的引擎搜索机制:

代码:
1  如果在正则表达式中有模式 ,那么每个模式从左到右搜索要匹配的字符串,如果匹配成功,则把匹配的字符串存到相对应的记忆体中。
2  如果正则表达式中有下一个模式,那么这个模式将继续从左到右搜索没有被匹配的字符串 ,重复前面的步骤1的过程,匹配成功则立即停止,并把匹配的字符串存到相应的记忆体中。
3  如果在2中的模式后面出现了数量符* + ? ,形如:(模式2)*,则匹配过程变为:模式2仍然按照步骤1的过程匹配,匹配成功则停止。但是由于这时候在模式2后面出现了数量符 * ,则仍然由模式2去匹配字符串中没有被匹配的的部分,如果这时候出现了可以匹配多个字符串的情况,那么作后一次匹配成功的字符串被存放到了模式2对应的记忆体中(注意:中间匹配成功的并不是没有存,而是被后面匹配成功的覆盖了)。


说到这里仿佛一切问题都得到了很好的解释
可是请看下面的例子

代码:
$data = 192.168.0.1
$data =~ /([0-9]*.)([0-9]*.)*([0-9]*.)([0-9]*.)([0-9])/
按照上面的结论,大家不妨猜测一下2的内容 ,也就是记忆体2中的值是什么
在没有看到答案之前,也许会有人猜测是0. 或者168.。
但是这里 2的值是空值,*在这里是“0个”。


由此可以得到:正则表达式并不是按照模式按照从左到右搜索,"一个正则表达式" 就是一段程序,一个正则表达式的匹配引擎机制应该是:尽量多的精确的去匹配目标字符串,至于它采取哪种策略实现这一过程,这也是在此抛砖引玉的目的所在。

附录:

一个正则表达式就是由普通字符(例如字符 a 到 z)以及特殊字符(称为元字符)组成的文字模式。该模式描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板,将某个字符模式与所搜索的字符串进行匹配。


将下一个字符标记为一个特殊字符、或一个原义字符、或一个 后向引用、或一个八进制转义符。例如,'n' 匹配字符 "n"。' ' 匹配一个换行符。序列 '\' 匹配 "" 而 "(" 则匹配 "("。

^
匹配输入字符串的开始位置。

$
匹配输入字符串的结束位置。

*
匹配前面的子表达式零次或多次。例如,zo* 能匹配 "z" 以及 "zoo"。 * 等价于{0,}。

+
匹配前面的子表达式一次或多次。例如,'zo+' 能匹配 "zo" 以及 "zoo",但不能匹配 "z"。+ 等价于 {1,}。

?
匹配前面的子表达式零次或一次。例如,"do(es)?" 可以匹配 "do" 或 "does" 中的"do" 。? 等价于 {0,1}。

{n}
n 是一个非负整数。匹配确定的 n 次。例如,'o{2}' 不能匹配 "Bob" 中的 'o',但是能匹配 "food" 中的两个 o。

{n,}
n 是一个非负整数。至少匹配n 次。例如,'o{2,}' 不能匹配 "Bob" 中的 'o',但能匹配 "foooood" 中的所有 o。'o{1,}' 等价于 'o+'。'o{0,}' 则等价于 'o*'。

{n,m}
m 和 n 均为非负整数,其中n <= m。最少匹配 n 次且最多匹配 m 次。 "o{1,3}" 将匹配 "fooooood" 中的前三个 o。'o{0,1}' 等价于 'o?'。请注意在逗号和两个数之间不能有空格。

?
当该字符紧跟在任何一个其他限制符 (*, +, ?, {n}, {n,}, {n,m}) 后面时,匹配模式是非贪婪的。非贪婪模式尽可能少的匹配所搜索的字符串,而默认的贪婪模式则尽可能多的匹配所搜索的字符串。例如,对于字符串 "oooo",'o+?' 将匹配单个 "o",而 'o+' 将匹配所有 'o'。

.
匹配除 " " 之外的任何单个字符。要匹配包括 ' ' 在内的任何字符,请使用象 '[. ]' 的模式。

(pattern)
匹配pattern 并获取这一匹配。所获取的匹配可以从产生的 Matches 集合得到,在VBScript 中使用 SubMatches 集合,在Visual Basic Scripting Edition 中则使用 $0…$9 属性。要匹配圆括号字符,请使用 '(' 或 ')'。

(?:pattern)
匹配 pattern 但不获取匹配结果,也就是说这是一个非获取匹配,不进行存储供以后使用。这在使用 "或" 字符 (|) 来组合一个模式的各个部分是很有用。例如, 'industr(?:y|ies) 就是一个比 'industry|industries' 更简略的表达式。

(?=pattern)
正向预查,在任何匹配 pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如, 'Windows (?=95|98|NT|2000)' 能匹配 "Windows 2000" 中的 "Windows" ,但不能匹配 "Windows 3.1" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始。

(?!pattern)
负向预查,在任何不匹配Negative lookahead matches the search string at any point where a string not matching pattern 的字符串开始处匹配查找字符串。这是一个非获取匹配,也就是说,该匹配不需要获取供以后使用。例如'Windows (?!95|98|NT|2000)' 能匹配 "Windows 3.1" 中的 "Windows",但不能匹配 "Windows 2000" 中的 "Windows"。预查不消耗字符,也就是说,在一个匹配发生后,在最后一次匹配之后立即开始下一次匹配的搜索,而不是从包含预查的字符之后开始

x|y
匹配 x 或 y。例如,'z|food' 能匹配 "z" 或 "food"。'(z|f)ood' 则匹配 "zood" 或 "food"。

[xyz]
字符集合。匹配所包含的任意一个字符。例如, '[abc]' 可以匹配 "plain" 中的 'a'。

[^xyz]
负值字符集合。匹配未包含的任意字符。例如, '[^abc]' 可以匹配 "plain" 中的'p'。

[a-z]
字符范围。匹配指定范围内的任意字符。例如,'[a-z]' 可以匹配 'a' 到 'z' 范围内的任意小写字母字符。

[^a-z]
负值字符范围。匹配任何不在指定范围内的任意字符。例如,'[^a-z]' 可以匹配任何不在 'a' 到 'z' 范围内的任意字符。


匹配一个单词边界,也就是指单词和空格间的位置。例如, 'er' 可以匹配"never" 中的 'er',但不能匹配 "verb" 中的 'er'。

B
匹配非单词边界。'erB' 能匹配 "verb" 中的 'er',但不能匹配 "never" 中的 'er'。

cx
匹配由x指明的控制字符。例如, cM 匹配一个 Control-M 或回车符。 x 的值必须为 A-Z 或 a-z 之一。否则,将 c 视为一个原义的 'c' 字符。

d
匹配一个数字字符。等价于 [0-9]。

D
匹配一个非数字字符。等价于 [^0-9]。

f
匹配一个换页符。等价于 x0c 和 cL。


匹配一个换行符。等价于 x0a 和 cJ。


匹配一个回车符。等价于 x0d 和 cM。

s
匹配任何空白字符,包括空格、制表符、换页符等等。等价于 [ f v]。

S
匹配任何非空白字符。等价于 [^ f v]。


匹配一个制表符。等价于 x09 和 cI。

v
匹配一个垂直制表符。等价于 x0b 和 cK。

w
匹配包括下划线的任何单词字符。等价于'[A-Za-z0-9_]'。

W
匹配任何非单词字符。等价于 '[^A-Za-z0-9_]'。

xn     匹配 n,其中 n 为十六进制转义值。十六进制转义值必须为确定的两个数字长。例如, 'x41' 匹配 "A"。'x041' 则等价于 'x04' & "1"。正则表达式中可以使用 ASCII 编码。.

um   匹配 num,其中 num 是一个正整数。对所获取的匹配的引用。例如,'(.)1' 匹配两个连续的相同字符。

      标识一个八进制转义值或一个后向引用。如果 之前至少 n 个获取的子表达式,则 n 为后向引用。否则,如果 n 为八进制数字 (0-7),则 n 为一个八进制转义值。

m    标识一个八进制转义值或一个后向引用。如果 m 之前至少有is preceded by at least nm 个获取得子表达式,则 nm 为后向引用。如果 m 之前  至少有 n 个获取,则 n 为一个后跟文字 m 的后向引用。如果前面的条件都不满足,若 n 和 m 均为八进制数字 (0-7),则 m 将匹配八进制转义值 nm。

ml    如果 n 为八进制数字 (0-3),且 m 和 l 均为八进制数字 (0-7),则匹配八进制转义值 nml。

un     匹配 n,其中 n 是一个用四个十六进制数字表示的 Unicode 字符。例如, u00A9 匹配版权符号 (?)。

阅读(6747) | 评论(1) | 转发(0) |
0

上一篇:xargs

下一篇:find

给主人留下些什么吧!~~