1. 程式人生 > >關於正則表示式的先行斷言(lookahead)和後行斷言(lookbehind)的理解

關於正則表示式的先行斷言(lookahead)和後行斷言(lookbehind)的理解

正則表示式的先行斷言和後行斷言一共有4種形式: 
(?=pattern) 零寬正向先行斷言(zero-width positive lookahead assertion) 
(?!pattern) 零寬負向先行斷言(zero-width negative lookahead assertion) 
(?<=pattern) 零寬正向後行斷言(zero-width positive lookbehind assertion) 
(?<!pattern) 零寬負向後行斷言(zero-width negative lookbehind assertion) 
這裡面的pattern是一個正則表示式。

如同^代表開頭,$代表結尾,\b代表單詞邊界一樣,先行斷言和後行斷言也有類似的作用,它們只匹配某些位置,在匹配過程中,不佔用字元,所以被稱為“零寬”。所謂位置,是指字串中(每行)第一個字元的左邊、最後一個字元的右邊以及相鄰字元的中間(假設文字方向是頭左尾右)。 
下面分別舉例來說明這4種斷言的含義。

(?=pattern) 正向先行斷言 
代表字串中的一個位置,緊接該位置之後的字元序列能夠匹配pattern。 
例如對”a regular expression”這個字串,要想匹配regular中的re,但不能匹配expression中的re,可以用”re(?=gular)”,該表示式限定了re右邊的位置,這個位置之後是gular,但並不消耗gular這些字元,將表示式改為”re(?=gular).”,將會匹配reg,元字元.匹配了g,括號這一砣匹配了e和g之間的位置。

(?!pattern) 負向先行斷言 
代表字串中的一個位置,緊接該位置之後的字元序列不能匹配pattern。 
例如對”regex represents regular expression”這個字串,要想匹配除regex和regular之外的re,可以用”re(?!g)”,該表示式限定了re右邊的位置,這個位置後面不是字元g。負向和正向的區別,就在於該位置之後的字元能否匹配括號中的表示式。

(?<=pattern) 正向後行斷言 
代表字串中的一個位置,緊接該位置之前的字元序列能夠匹配pattern。 
例如對”regex represents regular expression”這個字串,有4個單詞,要想匹配單詞內部的re,但不匹配單詞開頭的re,可以用”(?<=\w)re”,單詞內部的re,在re前面應該是一個單詞字元。之所以叫後行斷言,是因為正則表示式引擎在匹配字串和表示式時,是從前向後逐個掃描字串中的字元,並判斷是否與表示式符合,當在表示式中遇到該斷言時,正則表示式引擎需要往字串前端檢測已掃描過的字元,相對於掃描方向是向後的。

(?<!pattern) 負向後行斷言 
代表字串中的一個位置,緊接該位置之前的字元序列不能匹配pattern。 
例如對”regex represents regular expression”這個字串,要想匹配單詞開頭的re,可以用”(?<!\w)re”。單詞開頭的re,在本例中,也就是指不在單詞內部的re,即re前面不是單詞字元。當然也可以用”\bre”來匹配。

對於這4個斷言的理解,可以從兩個方面入手: 
1.關於先行(lookahead)和後行(lookbehind):正則表示式引擎在執行字串和表示式匹配時,會從頭到尾(從前到後)連續掃描字串中的字元,設想有一個掃描指標指向字元邊界處並隨匹配過程移動。先行斷言,是當掃描指標位於某處時,引擎會嘗試匹配指標還未掃過的字元,先於指標到達該字元,故稱為先行。後行斷言,引擎會嘗試匹配指標已掃過的字元,後於指標到達該字元,故稱為後行。 
2.關於正向(positive)和負向(negative):正向就表示匹配括號中的表示式,負向表示不匹配。

對這4個斷言形式的記憶: 
1.先行和後行:後行斷言(?<=pattern)、(?<!pattern)中,有個小於號,同時也是箭頭,對於自左至右的文字方向,這個箭頭是指向後的,這也比較符合我們的習慣。把小於號去掉,就是先行斷言。 
2.正向和負向:不等於(!=)、邏輯非(!)都是用!號來表示,所以有!號的形式表示不匹配、負向;將!號換成=號,就表示匹配、正向。

我們經常用正則表示式來檢測一個字串中包含某個子串,要表示一個字串中不包含某個字元或某些字元也很容易,用[^...]形式就可以了。要表示一個字串中不包含某個子串(由字元序列構成)呢? 
用[^...]這種形式就不行了,這時就要用到(負向)先行斷言或後行斷言、或同時使用。 
例如判斷一句話中包含this,但不包含that。 
包含this比較好辦,一句話中不包含that,可以認為這句話中每個字元的前面都不是that或每個字元的後面都不是that。正則表示式如下: 
^((?<!that).)*this((?<!that).)*$ 或 ^(.(?!that))*this(.(?!that))*$ 
對於”this is the case”這句話,兩個表示式都能夠匹配成功,而”note that this is the case”都匹配失敗。
在一般情況下,這兩個表示式基本上都能夠滿足要求了。考慮極端情況,如一句話以that開頭、以that結尾、that和this連在一起時,上述表示式就可能不勝任了。 
如”note thatthis is the case”或者”this is the case, not that”等。 
只要靈活運用這幾個斷言,就很容易解決: 
^(.(?<!that))*this(.(?<!that))*$ 
^(.(?<!that))*this((?!that).)*$ 
^((?!that).)*this(.(?<!that))*$ 
^((?!that).)*this((?!that).)*$ 
這4個正則表示式測試上述的幾句話,結果都能夠滿足要求。

上述4種斷言,括號裡的pattern本身是一個正則表示式。但對2種後行斷言有所限制,在Perl和Python中,這個表示式必須是定長(fixed length)的,即不能使用*、+、?等元字元,如(?<=abc)沒有問題,但(?<=a*bc)是不被支援的,特別是當表示式中含有|連線的分支時,各個分支的長度必須相同。之所以不支援變長表示式,是因為當引擎檢查後行斷言時,無法確定要回溯多少步。Java支援?、{m}、{n,m}等符號,但同樣不支援*、+字元。Javascript乾脆不支援後行斷言,不過一般來說,這不是太大的問題。