正则表达式的拓展

[ZhangZhiyuan-2021]

正则表达式的拓展应用

正则表达式(Regular Expression)利用普通字符和元字符构成匹配某个句法规则的字符串，常被用来进行大量的数据处理，在课程中我们接触到了一些关于正则表达式的基本用法。这里我们来接触一些正则表达式的拓展用法。

在进行学习的时候，可以在这个网址来检验你所写出的正则表达式作用。

正则表达式的非捕获分组

(?:pattern)表示非捕获分组，和上课提到的捕获分组的惟一的区别在于，非捕获分组匹配的值并不会被保存下来，这常常用来搜索一些只有部分不相同的整体。比如，我们可以使用(?:pattern)与|字符来组合一个整体：part(?:y|ies)就等价于party|parties，而使用part(y|ies)虽然可以达到同样的效果，但是会捕获一个无用的分组y或者ies，这是没有意义的。

正则表达式的预查

预查可以分为四部分，分别是正向和反向的肯定以及否定预查。预查的特点就是，这是一个非获取匹配，与刚才介绍到的非捕获分组十分类似，但区别在于，预查是不消耗字符的，也就是说这段字符可以继续被正则表达式的其他部分匹配。

正向肯定预查(?=pattern)

对将要捕获的字符串做提前的检查，只捕获符合要求的，比如Version(?=1.0|1.1)可以匹配Version1.0，但不能匹配Version2.0。预查不消耗字符，在任何匹配的字符串开始处匹配查找字符串，该匹配不需要获取供以后使用。

正向否定预查(?!pattern)

与正向肯定预查类似，但要求完全相反。还是以上述例子，Version(?！1.0|1.1)，这时，它可以匹配Version2.0，但不能匹配Version1.0。

反向肯定预查(?<=pattern)

与正向肯定预查类似，只是方向相反。比如(?<=New |Old )Version可以匹配New Version，但不能匹配Formal Version。

反向否定预查(?<!pattern)

与正向否定预查类似，只是方向相反。比如(?!=New |Old )Version可以匹配Formal Version，但不能匹配New Version。

我们认为，正向和反向预查的区别在于，我们前提假定哪部分字符串是“真实的”。比如在刚才的四个例子中，我们认为单词Version是必然存在的，检查的只是附加在Version上的不同值。

在上次的作业中，我们处理数据时对password进行了检查，要求是8~20位的数字和字母，不能全是数字或字母。

我们可以使用如下代码进行查验：

regex get_password(R"+=("password"[\s]*:[\s]*"((?![0-9]+")(?![A-Za-z]+")[0-9A-Za-z]{8,20})")+=");
/*
	R"+=(xxx)+="是原生字符串的另一种形式，在"和(与)和"中间添加相同的字符串，使得原生字符串中的)"不会被认为是结尾。
	[\s]*是上次作业要求中，为了匹配在双引号外面的不确定个数空格符。
*/

我们已经确定在需要否定预查的(?![0-9]+")(?![A-Za-z]+")前面的"是确定存在的，而后方的密码是我们在预查之后能否捕获的，所以我们选择正向否定预查。

正则表达式的后向引用

在课堂上我们介绍了分组的捕获，分组0表示整个正则表达式，后面的1、2等表示被捕获的分组。

后向引用被用来重复搜索前面某个分组匹配的文本。例如，\1代表分组1匹配的文本。

([\w]+)[\s]*:[\s]*\1 is a word可以用来匹配重复的单词。这个表达式s首先将一个单词捕获到编号为1的分组中，然后是一些空白符([\s]*)以及其他描述，最后是分组1中捕获的内容\1和后续匹配。

分组也可以被我们自己命名，指定一个分组的组名可以使用语法：(?<Word>[\w]+)，或者将<>换成''：(?'Word'[\w]+))，这样就把[\w]+的组名指定为Word了。想要引用这个分组捕获的内容，我们可以使用\k<Word>，所以上一个例子也可以写成这样：(?<Word>[\w]+)[\s]*:[\s]*\k<Word> is a word。

正则表达式的贪婪与懒惰

*、+、?是我们常用的用来表示重复的元字符，其中*可以表示重复任意次，+可以表示重复1次及以上，?可以表示重复0次或1次，与之类似的还有{n,m}、{n,}等。

我们在使用这些元字符时，默认的行为是贪婪匹配，也就是匹配尽可能多的字符。举个例子，如果我们使用p.*e来匹配procedure，会捕获到整个字符串procedure而不是proce。

如果在元字符后加?，使其变成*?、+?、??、{n,m}?、{n,}?等，就会变为懒惰匹配，匹配尽可能少的字符。

特别的，在正则表达式中，有另一条规则，比贪婪／懒惰规则的优先级更高：最先开始的匹配拥有最高的优先权。因此，我们在使用a.*?匹配aaabbaabab的时候，会得到aaab而不是ab。

[Yu-Shi]

OK