【转】正则基础之——捕获组(capture group)

源地址 

1        概述

1.1     什么是捕获组

捕获组就是把正则表达式中子表达式匹配的内容,保存到内存中以数字编号或显式命名的组里,方便后面引用。当然,这种引用既可以是在正则表达式内部,也可以是在正则表达式外部。

捕获组有两种形式,一种是普通捕获组,另一种是命名捕获组,通常所说的捕获组指的是普通捕获组。语法如下:

普通捕获组:(Expression)

命名捕获组:(?<name>Expression)

普通捕获组在大多数支持正则表达式的语言或工具中都是支持的,而命名捕获组目前只有.NETPHPPython等部分语言支持,据说Java会在7.0中提供对这一特性的支持。上面给出的命名捕获组的语法是.NET中的语法,另外在.NET中使用(?’name’Expression)与使用(?<name>Expression)是等价的。在PHPPython中命名捕获组语法为:(?P<name>Expression)

另外需要说明的一点是,除(Expression)(?<name>Expression)语法外,其它的(?...)语法都不是捕获组。

1.2     捕获组编号规则

编号规则指的是以数字为捕获组进行编号的规则,在普通捕获组或命名捕获组单独出现的正则表达式中,编号规则比较清晰,在普通捕获组与命名捕获组混合出现的正则表达式中,捕获组的编号规则稍显复杂。

在展开讨论之前,需要说明的是,编号为0的捕获组,指的是正则表达式整体,这一规则在支持捕获组的语言中,基本上都是适用的。下面对其它编号规则逐一展开讨论。

1.2.1  普通捕获组编号规则

如果没有显式为捕获组命名,即没有使用命名捕获组,那么需要按数字顺序来访问所有捕获组。在只有普通捕获组的情况下,捕获组的编号是按照“(”出现的顺序,从左到右,从1开始进行编号的

正则表达式:(\d{4})-(\d{2}-(\d\d))

 普通捕获组 

上面的正则表达式可以用来匹配格式为yyyy-MM-dd的日期,为了在下表中得以区分,月和日分别采用了\d{2}\d\d这两种写法。

用以上正则表达式匹配字符串:2008-12-31,匹配结果为:

编号

命名

捕获组

匹配内容

0

 

(\d{4})-(\d{2}-(\d\d))

2008-12-31

1

 

(\d{4})

2008

2

 

(\d{2}-(\d\d))

12-31

3

 

(\d\d)

31

1.2.2  命名捕获组编号规则

命名捕获组通过显式命名,可以通过组名方便的访问到指定的组,而不需要去一个个的数编号,同时避免了在正则表达式扩展过程中,捕获组的增加或减少对引用结果导致的不可控。

不过容易忽略的是,命名捕获组也参与了编号的,在只有命名捕获组的情况下,捕获组的编号也是按照“(”出现的顺序,从左到右,从1开始进行编号的

正则表达式:(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d))

命名捕获组 

 

用以上正则表达式匹配字符串:2008-12-31

匹配结果为:

编号

命名

捕获组

匹配内容

0

 

(?<year>\d{4})-(?<date>\d{2}-(?<day>\d\d))

2008-12-31

1

year

(?<year>\d{4})

2008

2

date

(?<date>\d{2}-(?<day>\d\d))

12-31

3

day

(?<day>\d\d)

31

1.2.3  普通捕获组与命名捕获组混合编号规则

当一个正则表达式中,普通捕获组与命名捕获组混合出现时,捕获组的编号规则稍显复杂。对于其中的命名捕获组,随时都可以通过组名进行访问,而对于普通捕获组,则只能通过确定其编号后进行访问。

混合方式的捕获组编号,首先按照普通捕获组中“(”出现的先后顺序,从左到右,从1开始进行编号,当普通捕获组编号完成后,再按命名捕获组中“(”出现的先后顺序,从左到右,接着普通捕获组的编号值继续进行编号。

也就是先忽略命名捕获组,对普通捕获组进行编号,当普通捕获组完成编号后,再对命名捕获组进行编号。

正则表达式:(\d{4})-(?<date>\d{2}-(\d\d))

 捕获组——混合

 

用以上正则表达式匹配字符串:2008-12-31,匹配结果为:

编号

命名

捕获组

匹配内容

0

 

(\d{4})-(?<date>\d{2}-(\d\d))

2008-12-31

1

 

(\d{4})

2008

3

date

(?<date>\d{2}-(\d\d))

12-31

2

 

(\d\d)

31

2       捕获组的引用

对捕获组的引用一般有以下几种:

1)       正则表达式中,对前面捕获组捕获的内容进行引用,称为反向引用;

2)       正则表达式中,(?(name)yes|no)的条件判断结构;

3)       在程序中,对捕获组捕获内容的引用。

2.1     反向引用

捕获组捕获到的内容,不仅可以在正则表达式外部通过程序进行引用,也可以在正则表达式内部进行引用,这种引用方式就是反向引用。

反向引用的作用通常是用来查找或限定重复,限定指定标识配对出现等等。

对于普通捕获组和命名捕获组的引用,语法如下:

普通捕获组反向引用:\k<number>,通常简写为\number

命名捕获组反向引用:\k<name>或者\k'name'

普通捕获组反向引用中number是十进制的数字,即捕获组的编号;命名捕获组反向引用中的name为命名捕获组的组名。

反向引用涉及到的内容比较多,后续单独说明。

2.2     条件判断表达式

条件判断结构在平衡组中谈到过,基本应用和扩展应用都可以在其中找到例子,这里不再赘述,请参考.NET正则基础之——平衡组

2.3     程序中引用

根据语言的不同,程序中对捕获组引用的方式也有所不同,下面就JavaScript.NET进行举例说明。

2.3.1  JavaScript中的引用

由于JavaScript中不支持命名捕获组,所以对于捕获组的引用就只支持普通捕获组的反向引用和$number方式的引用。程序中的引用一般在替换和匹配时使用。

注:以下应用举例仅考虑简单应用场景,对于<a href="javascript:document.write('<b>hello</b>')"/>这种复杂场景暂不考虑。

1)         Replace中引用,通常是通过$number方式引用。

举例:替换掉html标签中的属性。


<textareaid="result"rows="10"cols="100"></textarea>
<scripttype="text/javascript">
var data = "<table id=\"test\"><tr class=\"light\"><td> test </td></tr></table>";
var reg = /<([a-z]+)[^>]*>/ig;
document.getElementById("result").value = data.replace(reg, "<$1>");
</script>
//输出
<table><tr><td> test </td></tr></table>

2)         在匹配时的引用,通常通过RegExp.$number方式引用。

举例:同时获取<img…>中的srcname属性值,属性的顺序不固定。参考一条正则能不能同时取出一个img标记的srcname?

 

 

 

2.3.2  .NET中的引用

由于.NET支持命名捕获组,所以在.NET中的引用方式会多一些。通常也是在两种场景下应用,一是替换,一是匹配。

1)         替换中的引用

普通捕获组:$number

命名捕获组:${name}

替换中应用,仍是上面的例子。

举例:替换掉html标签中的属性。使用普通捕获组。

 

string data ="<table id=\"test\"><tr class=\"light\"><td> test
</td></tr></table>";
richTextBox2.Text
= Regex.Replace(data, @"(?i)<([a-z]+)[^>]*>", "<$1>");
//输出
<table><tr><td> test </td></tr></table>
使用命名捕获组。

 

string data ="<table id=\"test\"><tr class=\"light\"><td> test
</td></tr></table>";
richTextBox2.Text
= Regex.Replace(data, @"(?i)<(?<tag>[a-z]+)[^>]*>", "<${tag}>");
//输出
<table><tr><td> test </td></tr></table>


2)         匹配后的引用

对于匹配结果中捕获组捕获内容的引用,可以通过GroupsResult对象进行引用。

 

string test = "<a href=\"http://www.csdn.net\">CSDN</a>";
Regex reg = new Regex(@"(?is)<a(?:(?!href=).)*href=(['""]?)(?<url>[^""'\s>]*)\1[^>]*>(?<text>(?:(?!</a>).)*)</a>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += "m.Value􀍹".PadRight(25) + m.Value + "\n";
richTextBox2.Text += "m.Result(\"$0\") : ".PadRight(25) + m.Result("$0") + "\n";
richTextBox2.Text += "m.Groups[0].Value : ".PadRight(25) +m.Groups[0].Value + "\n";
richTextBox2.Text += "m.Result(\"$2\") : ".PadRight(25) + m.Result("$2") + "\n";
richTextBox2.Text += "m.Groups[2].Value : ".PadRight(25) + m.Groups[2].Value + "\n";
richTextBox2.Text += "m.Result(\"${url}\") : ".PadRight(25) + m.Result("${url}") + "\n";
richTextBox2.Text += "m.Groups[\"url\"].Value : ".PadRight(25) + m.Groups["url"].Value + "\n";
richTextBox2.Text += "m.Result(\"$3\") : ".PadRight(25) + m.Result("$3") + "\n";
richTextBox2.Text += "m.Groups[3].Value : ".PadRight(25) + m.Groups[3].Value + "\n";
richTextBox2.Text += "m.Result(\"${text}\") : ".PadRight(25) + m.Result("${text}") + "\n";
richTextBox2.Text += "m.Groups[\"text\"].Value : ".PadRight(25) + m.Groups["text"].Value + "\n";
}
//输出

m.Value : <a href="http://www.csdn.net">CSDN</a>
m.Result("$0") : <a href="http://www.csdn.net">CSDN</a>
m.Groups[0].Value : <a href="http://www.csdn.net">CSDN</a>
m.Result("$2") : http://www.csdn.net
m.Groups[2].Value : http://www.csdn.net
m.Result("${url}") : http://www.csdn.net
m.Groups["url"].Value : http://www.csdn.net
m.Result("$3") : CSDN
m.Groups[3].Value : CSDN
m.Result("${text}") : CSDN
m.Groups["text"].Value : CSDN



对于捕获组0的引用,可以简写作m.Value

 

posted @ 2011-12-30 14:53 pmars 阅读(...) 评论(...) 编辑 收藏