【转】正则应用之——逆序环视探索
1 问题引出
前几天在CSDN论坛遇到这样一个问题。
我要通过正则分别取出下面 <font color="#008000"> 与 </font> 之间的字符串
1、在 <font color="#008000"> 与 </font> 之间的字符串是没法固定的，是随机自动生成的
2、其中 <font color="#008000"> 与 </font>的数量也是没法固定的，也是随机自动生成的
<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
<font color="#008000"> ** 这里是不固定的字符串3 ** </font>
有朋友给出这样的正则“(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)”，看下匹配结果。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
<font color="#008000"> ** 这里是不固定的字符串2 **
---------------
<font color="#008000"> ** 这里是不固定的字符串3 **
---------------
*/
为什么会是这样的结果，而不是我们期望的如下的结果呢？
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
** 这里是不固定的字符串2 **
---------------
** 这里是不固定的字符串3 **
---------------
*/
这涉及到逆序环视的匹配原理，以及贪婪与非贪婪模式应用的一些细节，下面先针对逆序环视的匹配细节展开讨论，然后再回过头来看下这个问题。
2 逆序环视匹配原理
关于环视的一些基础讲解和基本匹配原理，在正则基础之——环视这篇博客里已有所介绍，只不过当时整理得比较匆忙，没有涉及更详细的匹配细节。这里仅针对逆序环视展开讨论。
逆序环视的基础知识在上面博文中已介绍过，这里简单引用一下。
|
表达式 |
说明 |
|
(?<=Expression) |
逆序肯定环视，表示所在位置左侧能够匹配Expression |
|
(?<!Expression) |
逆序否定环视，表示所在位置左侧不能匹配Expression |
对于逆序肯定环视(?<=Expression)来说，当子表达式Expression匹配成功时，(?<=Expression)匹配成功，并报告(?<=Expression)匹配当前位置成功。
对于逆序否定环视(?<!Expression)来说，当子表达式Expression匹配成功时，(?<!Expression)匹配失败；当子表达式Expression匹配失败时，(?<!Expression)匹配成功，并报告(?<!Expression)匹配当前位置成功。
2.1 逆序环视匹配行为分析
2.1.1 逆序环视支持现状
目前支持逆序环视的语言还比较少，比如当前比较流行的脚本语言JavaScript中就是不支持逆序环视的。个人认为不支持逆序环视已成为目前JavaScript中使用正则的最大限制，一些使用逆序环视很轻松搞定的输入验证，却要通过各种变通的方式来实现。
需求：验证输入由字母、数字和下划线组成，下划线不能出现在开始或结束位置。
对于这样的需求，如果支持逆序环视，直接“^(?!_)[a-zA-Z0-9_]+(?<!_)$”就可以了搞定了，但是在JavaScript中，却需要用类似于“^[a-zA-Z0-9]([a-zA-Z0-9_]*[a-zA-Z0-9])?$”这种变通方式来实现。这只是一个简单的例子，实际的应用中，会比这复杂得多，而为了避免量词的嵌套带来的效率陷阱，正则实现起来很困难，甚至有些情况不得不拆分成多个正则来实现。
而另一些流行的语言，比如Java中，虽然支持逆序环视，但只支持固定长度的子表达式，量词也只支持“?”，其它不定长度的量词如“*”、“+”、“{m,n}”等是不支持的。
源字符串：<div>a test</div>
需求：取得div标签的内容，不包括div标签本身
Java代码实现：
import java.util.regex.*;
String test = "<div>a test</div>";
String reg = "(?<=<div>)[^<]+(?=</div>)";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
}
/*--------输出--------
a test
*/
但是如果源字符串变一下，加个属性变成“<div id=”test1”>a test</div>”，那么除非标签中属性内容是固定的，否则就无法在Java中用逆序环视来实现了。
为什么在很多流行语言中，要么不支持逆序环视，要么只支持固定长度的子表式呢？先来分析一下逆序环视的匹配原理吧。
2.1.2 Java中逆序环视匹配原理分析
不支持逆序环视的自不必说，只支持固定长度子表达式的逆序环视如何呢。
源字符串：<div>a test</div>
正则表达式：(?<=<div>)[^<]+(?=</div>)
需要明确的一点，无论是什么样的正则表达式，都是要从字符串的位置0处开始尝试匹配的。
首先由“(?<=<div>)”取得控制权，由位置0开始尝匹配，由于“<div>”的长度固定为5，所以会从当前位置向左查找5个字符，但是由于此时位于位置0处，前面没有任何字符，所以尝试匹配失败。
正则引擎传动装置向右传动，由位置1处开始尝试匹配，同样匹配失败，直到位置5处，向左查找5个字符，满足条件，此时把控制权交给“(?<=<div>)”中的子表达式“<div>”。“<div>”取得控制权后，由位置0处开始向右尝试匹配，由于正则都是逐字符进行匹配的，所以这时会把控制权交给“<div>”中的“<”，由“<”尝试字符串中的“<”，匹配成功，接下来由“d”尝试字符串中的“d”，匹配成功，同样的过程，由“<div>”匹配位置0到位置5之间的“<div>”成功，此时“(?<=<div>)”匹配成功，匹配成功的位置是位置5。
后续的匹配过程请参考 正则基础之——环视 和 正则基础之——NFA引擎匹配原理。
那么对于量词“?”又是怎么样一种情况呢，看一下下面的例子。
源字符串：cba
正则表达式：(?<=(c?b))a
String test = "cba";
String reg = "(?<=(c?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------输出--------
a
b
*/
可以看到，“c?”并没有参与匹配，在这里，“?”并不具备贪婪模式的作用，“?”只提供了一个分支的作用，共记录了两个分支，一个分支需要从当前位置向前查找一个字符，另一个分支需要从当前位置向前查找两个字符。正则引擎从当前位置，尝试这两种情况，优先尝试的是需要向前查找较少字符的分支，匹配成功，则不再尝试另一个分支，只有这一分支匹配失败时，才会去尝试另一个分支。
String test = "dcba";
String reg = "(?<=(dc?b))a";
Matcher m = Pattern.compile(reg).matcher(test);
while(m.find())
{
System.out.println(m.group());
System.out.println(m.group(1));
}
/*--------输出--------
a
dcb
*/
虽然有两个分支，但向前查找的字符数可预知的，所以只支持“?”时并不复杂，但如果再支持其它不定长度量词，情况又如何呢？
2.1.3 .NET中逆序环视匹配原理
.NET的逆序环视中，是支持不定长度量词的，在这个时候，匹配过程就变得复杂了。先看一下定长的是如何匹配的。
string test = "<div>a test</div>";
Regex reg = new Regex(@"(?<=<div>)[^<]+(?=</div>)");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------输出--------
a test
*/
从结果可以看到，.NET中的逆序环视在子表达式长度固定时，匹配行为与Java中应该是一样的。那么不定长量词又如何呢？
string test = "cba";
Regex reg = new Regex(@"(?<=(c?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
cb
*/
可以看到，这里的“?”具备了贪婪模式的特性。那么这个时候是否会有这样的疑问，它的匹配过程仍然是从当前位置向左尝试，还是从字符串开始位置向右尝试匹配呢？
string test = "<ddd<cccba";
Regex reg = new Regex(@"(?<=(<.*?b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
<cccb
*/
从结果可看出，在逆序环视中有不定量词的时候，仍然是从当前位置，向左尝试匹配的，否则Groups[1]的内容就是“<ddd<cccb”，而不是“<cccb”了。
这是非贪婪模式的匹配情况，再看一下贪婪模式匹配的情况。
string test = "e<ddd<cccba";
Regex reg = new Regex(@"(?<=(<.*b))a");
Match m = reg.Match(test);
if (m.Success)
{
richTextBox2.Text += m.Value + "\n";
richTextBox2.Text += m.Groups[1].Value + "\n";
}
/*--------输出--------
a
<ddd<cccb
*/
可以看到，采用贪婪模式以后，虽然尝试到“c”前面的“<”时已经可以匹配成功，但由于是贪婪模式，还是要继续尝试匹配的。直到尝试到开始位置，取最长的成功匹配作为匹配结果。
2.2 匹配过程
再来理一下逆序环视的匹配过程吧。
源字符串：<div id=“test1”>a test</div>
正则表达式：(?<=<div[^>]*>)[^<]+(?=</div>)
首先由“(?<=<div[^>]*>)”取得控制权，由位置0开始尝匹配，由于“<div[^>]*>”的长度不固定，所以会从当前位置向左逐字符查找，当然，也有可能正则引擎做了优化，先计算一下最小长度后向前查找，在这里“<div[^>]*>”至少需要5个字符，所以由当前位置向左查找5个字符，才开始尝试匹配，这要看各语言的正则引擎如何实现了，我推测是先计算最小长度。但是由于此时位于位置0处，前面没有任何字符，所以尝试匹配失败。
正则引擎传动装置向右传动，由位置1处开始尝试匹配，同样匹配失败，直到位置5处，向左查找5个字符，满足条件，此时把控制权交给“(?<=<div[^>]*>)”中的子表达式“<div[^>]*>”。“<div[^>]*>”取得控制权后，由位置0处开始向右尝试匹配，由于正则都是逐字符进行匹配的，所以这时会把控制权交给“<div[^>]*>”中的“<”，由“<”尝试字符串中的“<”，匹配成功，接下来由“d”尝试字符串中的“d”，匹配成功，同样的过程，由“<div[^>]*”匹配位置0到位置5之间的“<div ”成功，其中“[^>]*”在匹配“<div ”中的空格时是要记录可供回溯的状态的，此时控制权交给“>”，由于已没有任何字符可供匹配，所以“>”匹配失败，此时进行回溯，由“[^>]*”让出已匹配的空格给“>”进行匹配，同样匹配失败，此时已没有可供回溯的状态，所以这一轮匹配尝试失败。
正则引擎传动装置向右传动，由位置6处开始尝试匹配，同样匹配失败，直到位置16处，此时的当前位置指的就是位置16，把控制权交给“(?<=<div[^>]*>)”，向左查找5个字符，满足条件，记录回溯状态，控制权交给“(?<=<div[^>]*>)”中的子表达式“<div[^>]*>”。“<div[^>]*>”取得控制权后，由位置11处开始向右尝试匹配，“<div[^>]*>”中的“<”尝试字符串中的“s”，匹配失败。继续向左尝试，在位置10处由“<”尝试字符串中的“e”，匹配失败。同样的过程，直到尝试到位置0处，由“<div[^>]*”在位置0向右尝试匹配，成功匹配到“<div id=“test1”>”，此时“(?<=<div[^>]*>)”匹配成功，控制权交给“[^>]+”，继续进行下面的匹配，直到整个表达式匹配成功。
总结正则表达式“(?<=SubExp1) SubExp2”的匹配过程：
1、 由位置0处向右尝试匹配，直到找到一个满足“(?<=SubExp1)”最小长度要求的位置x；
2、 从位置x处向左查找满足“SubExp1”最小长度要求的位置y；
3、 由“SubExp1”从位置y开始向右尝试匹配；
4、 如果“SubExp1”为固定长度或非贪婪模式，则找到一个成功匹配项即停止尝试匹配；
5、 如果“SubExp1”为贪婪模式，则要尝试所有的可能，取最长的成功匹配项作为匹配结果。
6、 “(?<=SubExp1)”成功匹配后，控制权交给后面的子表达式，继续尝试匹配。
需要说明的一点，逆序环视中的子表达式“SubExp1”，匹配成功时，匹配开始的位置是不可预知的，但匹配结束的位置一定是位置x。
3 问题分析与总结
3.1 问题分析
那么再回过头来看下最初的问题。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=<font[\s\S]*?>)([\s\S]*?)(?=</font>)");
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n---------------\n";
}
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
<font color="#008000"> ** 这里是不固定的字符串2 **
---------------
<font color="#008000"> ** 这里是不固定的字符串3 **
---------------
*/
其实真正让人费解的是这里的逆序环视的匹配结果，为了更好的说明问题，改下正则。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=(<font[\s\S]*?>))([\s\S]*?)(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮成功匹配结果：\n";
richTextBox2.Text += "Group[0]：" + m.Value + "\n";
richTextBox2.Text += "Group[1]：" + m.Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮成功匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮成功匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
---------------
第3轮成功匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
---------------
*/
对于第一轮成功匹配结果应该不存在什么疑问，这里不做解释。
第一轮成功匹配结束的位置是第一个“</font>”前的位置，第二轮成功匹配尝试就是从这一位置开始。
首先由“(?<=<font[\s\S]*?>)”取得控制权，向左查找6个字符后开始尝试匹配，由于“<”会匹配失败，所以会一直尝试到位置0处，这时“<font”是可以匹配成功的，但是由于“<font[\s\S]*?>”要匹配成功，匹配的结束位置必须是第一个“</font>”前的位置，所以“>”是匹配失败的，这一位置整个表达式匹配失败。
正则引擎传动装置向右传动，直到第一个“</font>”后的位置，“<font[\s\S]*?>”匹配成功，匹配开始位置是位置0，匹配结束位置是第一个“</font>”后的位置，“<font[\s\S]*?>”匹配到的内容是“<font color="#008000"> ** 这里是不固定的字符串1 ** </font>”，其中“[\s\S]*?”匹配到的内容是“color="#008000"> ** 这里是不固定的字符串1 ** </font”，后面的子表达式继续匹配，直到第二轮匹配成功。
接下来的第三轮成功匹配，匹配过程与第二轮基本相同，只不过由于使用的是非贪婪模式，所以“<font[\s\S]*?>”在匹配到“<font color="#008000"> ** 这里是不固定的字符串2 ** </font>”时匹配成功，就结束匹配，不再向左尝试匹配了。
接下来看下贪婪模式的匹配结果。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?<=(<font[\s\S]*>))([\s\S]*?)(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮成功匹配结果：\n";
richTextBox2.Text += "Group[0]：" + m.Value + "\n";
richTextBox2.Text += "Group[1]：" + m.Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
---------------
第3轮匹配结果：
Group[0]：
<font color="#008000"> ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000"> ** 这里是不固定的字符串1 ** </font>
<font color="#008000"> ** 这里是不固定的字符串2 ** </font>
---------------
*/
仅仅是一个字符的差别，整个表达式的匹配结果没有变化，但匹配过程差别却是很大的。
那么如果想得到下面这种结果要如何做呢？
/*--------输出--------
** 这里是不固定的字符串1 **
---------------
** 这里是不固定的字符串2 **
---------------
** 这里是不固定的字符串3 **
---------------
*/
把量词修饰的子表达式的匹配范围缩小就可以了。
string test = @"<font color=""#008000""> ** 这里是不固定的字符串1 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串2 ** </font>
<font color=""#008000""> ** 这里是不固定的字符串3 ** </font> ";
MatchCollection mc = Regex.Matches(test, @"(?is)(?<=(<font[^>]*>))(?:(?!</?font\b).)*(?=</font>)");
for(int i=0;i<mc.Count;i++)
{
richTextBox2.Text += "第" + (i+1) + "轮匹配结果：\n";
richTextBox2.Text += "Group[0]：" + mc[i].Value + "\n";
richTextBox2.Text += "Group[1]：" + mc[i].Groups[1].Value + "\n---------------\n";
}
/*--------输出--------
第1轮匹配结果：
Group[0]： ** 这里是不固定的字符串1 **
Group[1]：<font color="#008000">
---------------
第2轮匹配结果：
Group[0]： ** 这里是不固定的字符串2 **
Group[1]：<font color="#008000">
---------------
第3轮匹配结果：
Group[0]： ** 这里是不固定的字符串3 **
Group[1]：<font color="#008000">
---------------
*/
3.2 逆序环视应用总结
通过对逆序环视的分析，可以看出，逆序环视中使用不定长度的量词，匹配过程很复杂，代价也是很大的，这也许也是目前绝大多数语言不支持逆序环视，或是不支持在逆序环视中使用不定长度量词的原因吧。
在正则应用中需要注意的几点：
1、 不要轻易在逆序环视中使用不定长度的量词，除非确实需要；
2、 在任何场景下，不只是逆序环视中，不要轻易使用量词修饰匹配范围非常大的子表达式，小数点“.”和“[\s\S]”之类的，使用时尤其要注意。
注：本文分析过程有部分为自己的猜测，无从考证，如果错漏，还请批评指正。
