.NET正则基础之——平衡组

1        概述

平衡组是微软在.NET中提出的一个概念,主要是结合几种正则语法规则,提供对配对出现的嵌套结构的匹配。.NET是目前对正则支持最完备、功能最强大的语言平台之一,而平衡组正是其强大功能的外在表现,也是比较实用的文本处理功能,目前只有.NET支持,相信后续其它语言会提供支持。

平衡组可以有狭义和广义两种定义,狭义平衡组指.NET中定义的(?<Close-Open>Expression)语法,广义平衡组并不是固定的语法规则,而是几种语法规则的综合运用,我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明,平衡组这种简写指的是广义平衡组。

正是由于平衡组功能的强大,所以带来了一些神秘色彩,其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。

2       平衡组匹配原理

2.1     预备知识

平衡组通常是由量词,分支结构,命名捕获组,狭义平衡组,条件判断结构组成的,量词和分支结构这里不做介绍,这里只对命名捕获组,狭义平衡组和条件判断结构做下说明。

2.1.1  命名捕获组

语法:(?<name>Expression)  

 (?’name’Expression)

以上两种写法在.NET中是等价的,都是将“Expression”子表达式匹配到的内容,保存到以“name”命名的组里,以供后续引用。

对于命名捕获组的应用,这里不做重点介绍,只是需要澄清一点,平时使用捕获组时,一般反向引用或Group对象使用得比较多,可能会有一种误解,那就是捕获组只保留一个匹配结果,即使一个捕获组可以先后匹配多个子串,也只保留最后一个匹配到的子串。但事实是这样吗?

举例来说:

源字符串:abcdefghijkl

正则表达式:(?<chars>[a-z]{2})+

命名捕获组chars最终捕获的是什么?

string test = "abcdefghijkl";

Regex reg = new Regex(@"(?<chars>[a-z]{2})+");

Match m = reg.Match(test);

if (m.Success)

{

      richTextBox2.Text += "匹配结果:" + m.Value + "\n";

      richTextBox2.Text += "Group" + m.Groups["chars"].Value + "\n";

}

/*--------输出--------

匹配结果:abcdefghijkl

Groupkl

*/

m.Groups["chars"].Value的输出上看,似乎确实是只保留了一个匹配内容,但却忽略了一个事实,Group实际上是Capture的一个集合

string test = "abcdefghijkl";

Regex reg = new Regex(@"(?<chars>[a-z]{2})+");

Match m = reg.Match(test);

if (m.Success)

{

     richTextBox2.Text += "匹配结果:" + m.Value + "\n";

     richTextBox2.Text += "Group" + m.Groups["chars"].Value + "\n--------------\n";

     foreach (Capture c in m.Groups["chars"].Captures)

     {

           richTextBox2.Text += "Capture" + c + "\n";

     }

}

/*--------输出--------

匹配结果:abcdefghijkl

Groupkl

--------------

Captureab

Capturecd

Captureef

Capturegh

Captureij

Capturekl

*/

平时应用时可能会忽略这一点,因为很少遇到一个捕获组先后匹配多个子串的情况,而在一个捕获组只匹配一个子串时,Group集合中就只有一个Capture元素,所以内容是一样的。

string test = "abcdefghijkl";

Regex reg = new Regex(@"(?<chars>[a-z]{2})");

Match m = reg.Match(test);

if (m.Success)

{

     richTextBox2.Text += "匹配结果:" + m.Value + "\n";

     richTextBox2.Text += "Group" + m.Groups["chars"].Value + "\n--------------\n";

     foreach (Capture c in m.Groups["chars"].Captures)

     {

          richTextBox2.Text += "Capture" + c + "\n";

     }

}

/*--------输出--------

匹配结果:ab

Groupab

--------------

Captureab

*/

捕获组保存的是一个集合,而不只是一个元素,这一知识点对于理解平衡组的匹配原理是有帮助的。

2.1.2  狭义平衡组

语法:(?<Close-Open>Expression)

其中“Close”是命名捕获组的组名,也就是“(?<name>Expression)”中的“name”,可以省略,通常应用时并不关注,所以一般都是省略的,写作“(?<-Open>Expression)”。作用就是当此处的“Expression”子表达式匹配成功时,则将最近匹配成功到的命名为“Open”组出栈,如果此前不存在匹配成功的“Open”组,那么就报告“(?<-Open>Expression)”匹配失败,整个表达式在这一位置也是匹配失败的。

2.1.3  条件判断结构

语法:(?(Expression)yes|no)

      (?(name)yes|no)

对于“(?(Expression)yes|no)”,它是“(?(?=Expression)yes|no)”的简写形式,相当于三元运算符

(?=Expression) ? yes : no

表示如果子表达式“(?=Expression)”匹配成功,则匹配“yes”子表达式,否则匹配“no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同,为避免混淆,可以采用“(?(?=Expression)yes|no)”方式显示声明“Expression”为子表达式,而不是捕获组名。

(?=Expression)”验证当前位置右侧是否能够匹配“Expression”,属于顺序环视结构,是零宽度的,所以它只参与判断,即使匹配成功,也不会占有字符。

举例来说:

源字符串:abc

正则表达式:(?(?=a)\w{2}|\w)

当前位置右侧如果是字符“a ,则匹配两个“\w”,否则匹配一个“\w”。

string test = "abc";

Regex reg = new Regex(@"(?(?=a)\w{2}|\w)");

MatchCollection mc = reg.Matches(test);

foreach(Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

ab

c

*/

对于“(?(name)yes|no)”,如果命名捕获组“name”有捕获,则匹配“yes”子表达式,否则匹配“no”子表达式。这一语法最典型的一种应用是平衡组。

当然,以上两种语法中,“yes”和“no都是可以省略的,但同一时间只能省略一个,不能一起省略。平衡组的应用中就是省略了“no”子表达式。

2.2     平衡组的匹配原理

平衡组的匹配原理可以用堆栈来解释,先举个例子,再根据例子进行解释。

源字符串:a+(b*(c+d))/e+f-(g/(h-i))*j

正则表达式:\(((?<Open>\()|(?<-Open>\))|[^()])*(?(Open)(?!))\)

需求说明:匹配成对出现的()中的内容

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";

Regex reg = new Regex(@"\(((?<Open>\()|(?<-Open>\))|[^()])*(?(Open)(?!))\)");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

下面来考察一下这个正则,为了阅读方便,写成宽松模式。

Regex reg = new Regex(@"\(                          #普通字符(

                            (                       #分组构造,用来限定量词*修饰范围

                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                (?<-Open>\))        #狭义平衡组,遇到闭括弧Open计数减1

                            |                       #分支结构

                                [^()]+              #非括弧的其它任意字符

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有Open,有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                     ", RegexOptions.IgnorePatternWhitespace);

对于一个嵌套结构而言,开始和结束标记都是确定的,对于本例开始为“(”,结束为“)”,那么接下来就是考察中间的结构,中间的字符可以划分为三类,一类是“(”,一类是“)”,其余的就是除这两个字符以外的任意字符。

那么平衡组的匹配原理就是这样的:

1.         先找到第一个“(”,作为匹配的开始

2.         在第1步以后,每匹配到一个“(”,就入栈一个Open捕获组,计数加1

3.         在第1步以后,每匹配到一个“)”,就出栈最近入栈的Open捕获组,计数减1

4.         后面的(?(Open)(?!))用来保证堆栈中Open捕获组计数是否为0,也就是“(”和“)”是配对出现的

5.         最后的“)”,作为匹配的结束

匹配过程(以下匹配过程,如果觉得难以理解,可以暂时跳过,先学会如何使用,再研究为什么可以这样用吧)

首先匹配第一个“(”,然后一直匹配,直到出现以下两种情况之一:

a)          堆栈中Open计数已为0,此时再遇到“)

b)          匹配到字符串结束符

这时控制权交给(?(Open)(?!)),判断Open是否有匹配,由于此时计数为0,没有匹配,那么就匹配“no”分支,由于这个条件判断结构中没有“no”分支,所以什么都不做,把控制权交给接下来的“\)

如果上面遇到的是情况a),那么此时“\)”可以匹配接下来的“\)”,匹配成功;如果上面遇到的是情况b),那么此时会进行回溯,直到“\)”匹配成功为止,否则报告整个表达式匹配失败。

由于.NET中的狭义平衡组“(?<Close-Open>Expression)”结构,可以动态的对堆栈中捕获组进行计数,匹配到一个开始标记,入栈,计数加1,匹配到一个结束标记,出栈,计数减1,最后再判断堆栈中是否还有Open,有则说明开始和结束标记不配对出现,不匹配,进行回溯或报告匹配失败;如果没有,则说明开始和结束标记配对出现,继续进行后面子表达式的匹配。

需要对“(?!)”进行一下说明,它属于顺序否定环视,完整的语法是“(?!Expression)”。由于这里的“Expression”不存在,表示这里不是一个位置,所以试图尝试匹配总是失败的,作用就是在Open不配对出现时,报告匹配失败。

3       平衡组的应用及优化

平衡组提供了嵌套结构的匹配功能,这一创新是很让人兴奋的,因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大,自然也带来了实现的复杂,正则书写得不好,可能会存在效率陷阱,甚至导致程序崩溃,这里介绍一些基本的优化方法。

3.1     单字符嵌套结构平衡组优化

单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构,这种嵌套相对来说比较简单,优化起来也比较容易。先从上面提到的例子开始。

3.1.1  贪婪与非贪婪模式

上面给的例子是一种做了部分优化的常规写法,算作是版本1吧,它做了哪些优化呢,先来看下完全没有做过优化的版本0吧。

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";

Regex reg0 = new Regex(@"\(                          #普通字符“(”

                            (                       #分组构造,用来限定量词“*”修饰范围

                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                (?<-Open>\))        #狭义平衡组,遇到闭括弧Open计数减1

                            |                       #分支结构

                                .                   #任意字符

                            )*?                     #以上子串出现0次或任意多次,非贪婪模式

                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                       ", RegexOptions.IgnorePatternWhitespace);

MatchCollection mc = reg0.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

接下来对比一下版本1

Regex reg1 = new Regex(@"\(                          #普通字符“(”

                            (                       #分组构造,用来限定量词“*”修饰范围

                                (?<Open>\()         #命名捕获组,遇到开括弧’Open’计数加1

                            |                       #分支结构

                                (?<-Open>\))        #狭义平衡组,遇到闭括弧’Open’计数减1

                            |                       #分支结构

                                [^()]+              #非括弧的其它任意字符

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有’Open’,有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                     ", RegexOptions.IgnorePatternWhitespace);

看到区别了吗?版本1对版本0的改进主要有两个地方,一个是用“[^()]+”来代替“.”,另一个是用“*”来代替“*?”,也就是用贪婪模式来代替非贪婪模式。

如果使用了小数点“.”,那么为什么不能在分组内使用“.+”,后面又为什么不能用“*”呢?只要在上面的正则中使用并运行一下代码就可以知道了,匹配的结果是

(b*(c+d))/e+f-(g/(h-i))

而不是

(b*(c+d))

(g/(h-i))

因为无论是分组内使用“.+”还是后面使用“*”,都是贪婪模式,所以小数点会一直匹配下去,直到匹配到字符串的结束符才会停止,然后进行回溯匹配。为了取得正确结果,必须使用非贪婪模式“*?”。

这就类似于用“\(.+\)”去匹配“(abc)def(ghi)”一样,得到的结果是“(abc)def(ghi)”,而不是通常我们希望的“(abc)”和“(ghi)”。这时要用非贪婪模式“\(.+?\)”来得到正确的结果。

贪婪模式和非贪婪模式在匹配失败时,回溯的次数基本上是一样的,效率上没有多大区别,但是在匹配成功时,贪婪模式比非贪婪模式回溯的次数要少得多,效率要高得多。

对于“\(.+\)”如果既要得到正确的匹配结果,又要提高匹配效率,可以使用排除型捕获组+贪婪模式的方式,即“\([^()]+\)”。

版本0的平衡组也是一样,可以使用排除字符组“[^()]+”和贪婪模式“*”结合的方式,提高匹配效率,得到的就是版本1的平衡组。

相对于版本0,或许你会认为版本1的写法是很自然的,但是如果不了解这样一个演进过程,那么在字符序列嵌套结构平衡组优化时,就不会是那么自然的一件事了。

3.1.2  分支结构

接下来就是分支结构的优化。

语法:(Exp1|Exp2|Exp3)

因为分支结构的匹配规则是,从左向右尝试匹配,当左侧分支匹配成功时,就不再向右尝试。所以使用分支结构时,可以根据以下两条规则进行优化:

1.         尽量抽象出每个分支中的公共的部分,使最后的表达式中,每个分支共公部分尽可能的少,比如(this|that)的匹配效率是没有th(is|at)高的。

2.         在不影响匹配结果的情况下,把出现概率高的分支放在左侧,出现概率低的分支放右侧。

对于本例中的分支结构,已经没有公共部分,符合第一条规则,再看下第二条规则,开始标记“(”和结束标记“)”出现的概率基本上是一样的,而除“(”和“)”之外的字符出现的概率是比“(”和“)”出现的概率高的,所以应该把“[^()]+”分支放在左侧。

版本1由于采用了排除型捕获组,所以这三个分支没有包含关系,左右顺序对结果不会造成影响,可以调整顺序。因为这是已经经过优化的了,而如果是版本0,由“.”对“(”和“)”有包含关系,就不能调整顺序了。

在版本1基础上对分支结构进行优化后,就得到版本2

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";

Regex reg2 = new Regex(@"\(                          #普通字符“(”

                            (                       #分组构造,用来限定量词“*”修饰范围

                                [^()]+              #非括弧的其它任意字符

                            |                       #分支结构

                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                (?<-Open>\))        #狭义平衡组,遇到闭括弧Open计数减1

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                       ", RegexOptions.IgnorePatternWhitespace);

MatchCollection mc = reg2.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

3.1.3  捕获组

这里面主要涉及到了两个捕获组“(?<Open>\()”和“(?<-Open>\))”,而在平衡组的应用中,我是只关心它是否匹配了,而对于匹配到的内容是不关心的。对于这样一种需求,可以用以下方式实现

\( (?<Open>)

\)(?<-Open>)

(?<Open>)”和“(?<-Open>)”这两种方式只是使用了命名捕获组,捕获的是一个位置,它总是能够匹配成功的,而匹配的内容是空的,分配的内存空间是固定的,可以有效的节省资源,这在单字符嵌套结构中并不明显,但是在字符序列嵌套结构中就比较明显了。

由于捕获组是直接跟在开始或结束标记之后的,所以只要开始或结束标记匹配成功,命名捕获组自然就会匹配成功,对于功能是没有任何影响的。

那么把标记和捕获组调整一下顺序是否可以呢?从功能上来讲,是可以的,但是匹配的流程上会有所不同,先是捕获组匹配成功,入栈,然后再匹配标记,成功则继续匹配,不成功则该分支匹配失败,进行回溯,出栈,继续尝试下一分支。这样将增加许多入栈和出栈的操作,对匹配效率是有影响的,所以这种方式并不可取。

在版本2基础上对捕获组进行优化后,就得到版本3

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";

Regex reg3 = new Regex(@"\(                          #普通字符“(”

                            (                       #分组构造,用来限定量词“*”修饰范围

                                [^()]+              #非括弧的其它任意字符

                            |                       #分支结构

                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                       ", RegexOptions.IgnorePatternWhitespace);

MatchCollection mc = reg3.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

3.1.4  固化分组

看到有些人使用平衡组时用到了固化分组,但并不是所有人都明白固化分组的作用。

语法:(?>Expression)

用“\([^()]+\)”去匹配“(abc)”是可以匹配成功的,因为不用回溯,相对于“\(.+?\)”这种非贪婪模式,效率上有所提升,但是对于匹配失败的情况又如何呢?

源字符串:(abc

正则表达式:\([^()]+\)

匹配中间过程这里不再详述,可以参考NFA引擎匹配原理

当“[^()]+”匹配到结束位置时,控制权交给“\)”,匹配失败,进行回溯,而由于前面使用了“[^()]+”这种排除型字符组,所以可供回溯的位置,不会存在可以匹配“\)”的情况,这时候的回溯是完全没有意义的,只会浪费时间,但是由于传统NFA引擎的特点,必须回溯所有可能之后才会报告匹配失败。

这时可以用固化分组来进行优化,一旦占有字符,就不再释放。也就是一旦占有,就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。

优化后的正则表达式:\((?>[^()]+)\)

需要说明的一点,固化分组要作用于量词修饰的子表达式才有意义,对于“(?>abc)”由于内容是固定的,根本就不会产生回溯,所以使用固化分组是没有意义的。

对于平衡组的应用也是一样,如果分组构造中没有量词,那么使用固化分组就是没有意义的,比如版本0

Regex reg = new Regex(@"\((?>(?<Open>\()|(?<-Open>\))|.)*?(?(Open)(?!))\)");

这种场景下使用固化分组就是没有意义的。

在版本3基础上对捕获组进行优化后,就得到版本4

string test = "a+(b*(c+d))/e+f-(g/(h-i))*j";

Regex reg4 = new Regex(@"\(                          #普通字符“(”

                            (?>                     #分组构造,用来限定量词“*”修饰范围

                                [^()]+              #非括弧的其它任意字符

                            |                       #分支结构

                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                       ", RegexOptions.IgnorePatternWhitespace);

MatchCollection mc = reg4.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

那么对于分组构造外层的“*”修饰的子表达式是否可以使用固化分组呢?答案是否定的,因为平衡组通常是要进行回溯才能最终匹配成功的,所以如果使用固化分组,不记录回溯可能的话,将无法得到正确结果。

3.1.5  进一步优化讨论

那么现在是不是已经完成优化了呢?是的,通常可以这么认为。在一般应用当中,这已经是从正则层面上来说,最优方案了。

但是在有些场景下,由于Compiled模式可以有效提高分支结构的匹配效率,所以对于源字符串比较复杂的情况,牺牲一些编译时间和内存,还是可以有效提高匹配效率的。

Regex reg5 = new Regex(@"\(                         #普通字符“(”

                            (?>                     #分组构造,用来限定量词“*”修饰范围

                                [^()]+              #非括弧的其它任意字符

                            |                       #分支结构

                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1

                            |                       #分支结构

                                \)  (?<-Open>)      #狭义平衡组,遇到闭括弧Open计数减1

                            )*                      #以上子串出现0次或任意多次

                            (?(Open)(?!))           #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                        \)                          #普通闭括弧

                       ", RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled);

MatchCollection mc = reg5.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n";

}

/*--------输出--------

(b*(c+d))

(g/(h-i))

*/

并不是所有应用场景都适合使用Compiled模式,比如上面这个例子里的源字符串如果是“a+(b*(c+d))/e+f-(g/(h-i))*j”,本身是非常简单的,使用Compiled模式将是得不偿失的。什么时候使用,要根据具体问题具体分析。

3.2     字符序列嵌套结构平衡组应用

字符序列嵌套结构的匹配,典型的应用就是html标签的提取。由于上面详细说明了单字符嵌套结构的优化过程,这里主要讲应用场景,个别涉及到优化的地方再讨论。

字符序列嵌套结构的匹配,举例来说,取div标签。源字符串如下:

<div id="0">

    0

</div>

<div id="1">

    1

    <div id="2">

        2

</div>

</div>

3.2.1  提取最外层嵌套结构

提取最外层div标签,分析过程及构造方式与单字符嵌套结构差不多,只是捕获组等内容稍稍复杂点,先给出实现,再进行解释。

string test = @"<div id=""0"">

    0

</div>

<div id=""1"">

    1

    <div id=""2"">

        2

    </div>

</div>";

Regex reg = new Regex(@"(?isx)                      #匹配模式,忽略大小写,“.”匹配任意字符

                      <div[^>]*>                      #开始标记“<div...>”

                          (?>                         #分组构造,用来限定量词“*”修饰范围

                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1

                          |                           #分支结构

                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1

                          |                           #分支结构

                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符

                          )*                          #以上子串出现0次或任意多次

                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                      </div>                          #结束标记“</div>”

                      ");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

{

richTextBox2.Text += m.Value + "\n--------------------\n";

}

/*--------输出--------

<div id="0">

    0

</div>

--------------------

<div id="1">

    1

    <div id="2">

        2

    </div>

</div>

--------------------

*/

在单字符嵌套结构中,使用排除型字符组“[^()]+”,与分组构造外的匹配优先量词“* 达到贪婪模式匹配效果。在字符序列嵌套结构中,要排除的是一个子串,而不是简单的几个无序字符,所以不能使用排除型字符组,此时需要用到顺序否定环视来达到这一目的。“(?:(?!</?div\b).)*”表示的是所在位置右侧不是“<div…>”或“</div>”的字符,这样的字符重复0次或任意多次。关于环视的细节,可以参考 正则基础之——环视

而由于这种否定环视包含两种状态,所以在与固化分组结合使用时,会与后面的开始或结束标记形成包含关系,所以与固化分组一起使用时,不能放在左侧,只能放在右侧。

3.2.2  根据id提取div嵌套标签

根据id提取div时,改变的只是最外层div的结构,对内分组构造内部结构没有影响。但是因为id是变化的,所以正则需要动态生成。下面给出实现,源字符串和输出结果由于比较影响篇幅,就不再给出了。

string id = Regex.Escape(textBox1.Text);                    //动态获取id

Regex reg = new Regex(@"(?isx)

                      <div(?:(?!(?:id=|</?div\b)).)*id=(['""]?)" + id  + @"\1[^>]*>        #开始标记“<div...>”

                          (?>                         #分组构造,用来限定量词“*”修饰范围

                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1

                          |                           #分支结构

                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1

                          |                           #分支结构

                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符

                          )*                          #以上子串出现0次或任意多次

                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                      </div>                          #结束标记“</div>”

                     ");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n--------------------\n";

}

在动态生成正则表达式时,由于输入的字符串中可能存在正则中有特殊意义的元字符,如果不进行转义的话,正则解析时会抛出异常。所以用Regex.Escape(string str)来对动态输入的字符串进行转义处理,确保不会因动态输入的内容而抛异常。比如上面的例子,如果id不进行转义处理时,输入“abc(def”就会抛“) 不足”这样的异常。

3.2.3  根据id提取任意嵌套标签

再扩展一下,根据id属性取任意嵌套标签。实现如下,具体实现细节和讨论参考 就是通过id获得一个html标签块。以下正则相对于帖子对个别细节做了调整。

string html = @"

<html>

<body>

<div id=""div1"">

    <div id=""div2"" style=""background:Red;"">

        <div id=""div3"">

            <table id=""table1"">

                <tr>

                    <td>

                        <div id=""div4"" style=""width:100px""></div>

                    </td>

                </tr>

            </table>

        </div>

    </div>

    <div id=div5>

        <a href=""http://www.csdn.net"">csdn</a>

    </div>

</div>

<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>

</body>

</html>";

Console.WriteLine(html);

string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" };

string pattern = @"<([a-z]+)(?:(?!\bid\b)[^<>])*id=([""']?){0}\2[^>]*>(?><\1[^>]*>(?<o>)|</\1>(?<-o>)|(?:(?!</?\1).)*)*(?(o)(?!))</\1>";

foreach (string id in idList)

{

     Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(id)),

                    RegexOptions.Singleline | RegexOptions.IgnoreCase);

     Console.WriteLine("--------begin {0}--------", id);

     if (match.Success)

          Console.WriteLine(match.Value);

     else

          Console.WriteLine("o()o");

     Console.WriteLine("--------end {0}--------", id);

}

Console.ReadLine();

3.2.4  根据标签取外层嵌套结构

根据动态输入的tag,取相应的最外层的嵌套标签,实现如下。

string html = @"

<html>

<body>

<div id=""div1"">

    <div id=""div2"" style=""background:Red;"">

        <div id=""div3"">

            <table id=""table1"">

                <tr>

                    <td>

                        <div id=""div4"" style=""width:100px""></div>

                    </td>

                </tr>

            </table>

        </div>

    </div>

    <div id=div5>

        <a href=""http://www.csdn.net"">csdn</a>

    </div>

</div>

<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>

</body>

</html>";

Console.WriteLine(html);

string[] tagList = { "html", "body", "div", "table", "abc(def" };

string pattern = @"(?isx)

                      <({0})\b[^>]*>                  #开始标记“<tag...>”

                          (?>                         #分组构造,用来限定量词“*”修饰范围

                              <\1[^>]*>  (?<Open>)    #命名捕获组,遇到开始标记,入栈,Open计数加1

                          |                           #分支结构

                              </\1>  (?<-Open>)       #狭义平衡组,遇到结束标记,出栈,Open计数减1

                          |                           #分支结构

                              (?:(?!</?\1\b).)*       #右侧不为开始或结束标记的任意字符

                          )*                          #以上子串出现0次或任意多次

                          (?(Open)(?!))               #判断是否还有'OPEN',有则说明不配对,什么都不匹配

                      </\1>                           #结束标记“</tag>”

                     ";

foreach (string tag in tagList)

{

     Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)));

     Console.WriteLine("--------begin {0}--------", tag);

     if (match.Success)

         Console.WriteLine(match.Value);

     else

         Console.WriteLine("o()o");

    Console.WriteLine("--------end {0}--------", tag);

}

Console.ReadLine();

3.2.5  条件判断结构扩展应用

条件判断结构的作用不只限于验证开始和结束标记是否配对,根据需求的不同,还可以有其它一些应用。比如在匹配div标签时,只取内部“存在”嵌套的外层标签。

string test = @"<div id=""0"">

    0

</div>

<div id=""1"">

    1

    <div id=""2"">

        2

    </div>

</div>";

Regex reg = new Regex(@"(?isx)                              #匹配模式,忽略大小写,“.”匹配任意字符

                      <div[^>]*>                              #开始标记“<div...>”

                          (?>                                 #分组构造,用来限定量词“*”修饰范围

                              <div[^>]*>  (?<Open>)(?<Mask>)  #遇到开始标记,入栈,OpenMask计数各加1

                          |                                   #分支结构

                              </div>  (?<-Open>)              #遇到结束标记,出栈,Open计数减1

                          |                                   #分支结构

                              (?:(?!</?div\b).)*              #右侧不为开始或结束标记的任意字符

                          )*                                  #以上子串出现0次或任意多次

                          (?(Open)(?!))(?(Mask)|(?!))         #'OPEN'保证标记配对,'Mask'保证内部有嵌套

                      </div>                                  #结束标记“</div>”

                      ");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

{

     richTextBox2.Text += m.Value + "\n--------------------\n";

}

/*--------输出--------

<div id="1">

    1

    <div id="2">

        2

    </div>

</div>

--------------------

*/

命名捕获组“(?<Mask>)”只入栈不出栈,如果内部有嵌套,则“(?<Mask>)”一定有匹配,此时匹配“(?(Mask)yes|no)”中的“yes”子表达式,也就是什么都不做;如果内部没有嵌套,则“(?<Mask>)”没有匹配,此时匹配“(?(Mask)yes|no)”中的“no”子表达式,也就是报告匹配失败。这里省略的是“(?(Mask)yes|no)”中的“yes”子表达式。

对于匹配内部没有嵌套的标签,也就是最内层标签,可以使用上面的正则表达式,将“(?(Mask)yes|no)”中的“yes”子表达式设为“(?!)”,将“yes”子表达式省略。不过这样做有些浪费,完全可以用顺序否定环视来实现这一需求。

string test = @"<div id=""0"">

    0

</div>

<div id=""1"">

    1

    <div id=""2"">

        2

    </div>

</div>";

Regex reg = new Regex(@"(?is)<div[^>]*>(?:(?!</?div\b).)*</div>");

MatchCollection mc = reg.Matches(test);

foreach (Match m in mc)

{

      richTextBox2.Text += m.Value + "\n--------------------\n";

}

/*--------输出--------

<div id="0">

    0

</div>

--------------------

<div id="2">

        2

    </div>

--------------------

*/

4       平衡组应用范围探讨

平衡组可以用来匹配嵌套结构,这是一个很大的创新,但是否就认为平衡组适合用来解决任何嵌套问题呢?事实当然不会是这样。

比如下面这个需求,(参考 请问一个正则表达式)

源字符串:1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7

要求输出:

Sum(1,Sum(2, Sum(3), 4), 5)

Sum(2, Sum(3), 4)

Sum(3)

Sum(9,Sum(8, Sum(7), 6), 5)

Sum(8, Sum(7), 6)

Sum(7)

这种需求使用平衡组+递归的方式可以实现,实现代码如下:

//递归方法

private void getNesting(string src, Regex reg, List<string> list)

{

    MatchCollection mc = reg.Matches(src);

    foreach(Match m in mc)

    {

        list.Add(m.Value);

        src = m.Value.Remove(m.Value.Length-1, 1);

        if (reg.IsMatch(src))

        {

             getNesting(src, reg, list);

        }

    }

}

//调用

string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7";

List<string> list = new List<string>();

Regex reg = new Regex(@"(?i)Sum\((?>[^()]+|\((?<o>)|\)(?<-o>))*(?(o)(?!))\)", RegexOptions.Compiled);

getNesting(test, reg, list);

foreach (string s in list)

{

     richTextBox2.Text += s + "\n";

}

平衡组虽然可以实现要求,但除非你对效率没有要求,否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的,在实现过程中做了很多额外的尝试。效率上自然要大打折扣。

类似这样的需求,可以自己写有穷自动机来实现,毕竟正则也只不过是一种有穷自动机的实现而已。

            string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 ";

 

            StringBuilder nesting = new StringBuilder(64);

            List<StringBuilder> list = new List<StringBuilder>();

            List<string> groups = new List<string>();

 

            int level = 0;

            int state = 0;

 

            foreach (char c in test)

            {

                if ((c == 'S' || c == 's') && state == 0)

                {

                    state = 1;

                    nesting.Append(c);

                }

                else if ((c == 'U' || c == 'u') && state == 1)

                {

                    state = 2;

                    nesting.Append(c);

                }

                else if ((c == 'M' || c == 'm') && state == 2)

                {

                    state = 3;

                    nesting.Append(c);

                }

                else if (c == '(' && state == 3)

                {

                    state = 0;

                    level++;

                }

                else

                {

                    state = 0;

                    nesting = new StringBuilder(64);

                }

 

                if (c == ')')

                {

                    if (level > 0)

                    {

                        level--;

                        groups.Add(list[level].ToString() + c);

                        list.Remove(list[level]);

                    }

                }

 

                if (level > 0)

                {

                    while(list.Count < level)

                    {

                        list.Add(nesting);

                    }

                    for (int i = 0; i < level; i++)

                    {

                        list[i].Append(c);

                    }

                }

            }

 

            foreach (string s in groups)

            {

                Console.WriteLine(s);

            }

            Console.ReadLine();

5       其它声明

到此为止,平衡组的基本应用场景和性能调优都已讨论完了,本文对于平衡组匹配原理讲得相对比较少,以应用场景分析为主。主要是因为能够使用平衡组来解决问题的人,通常已经对正则的基本语法有了一定程度的理解。而如果事实确实如此,那么对于平衡组的理解,也是水到渠成的了。

以上正则实现中,采用的多是宽松排列模式,主要是为了加注释,使得阅读清晰。而宽松排列模式通常用于教学目的,实际使用过程中,如果不是为了可读性的考虑,可以去掉这些注释和宽松排列模式参数。

上面给出了很多平衡组的应用,这里需要说明的是,我提供的只是一些方法和思路,从来不推荐把正则当作模板来用,虽然有些时候,它确实可以当作模板来用,但我还是希望你能真正的掌握这些语法规则之后,再去应用平衡组。当然,如果你认为能用就行,不需要知道为什么可以这样用,只是把它当作模板来套,我也无话可说。

posted @ 2011-10-15 14:19  luckc#  阅读(460)  评论(0编辑  收藏  举报