第三章 正则表达式括号的作用
不管哪门语言中都有括号。正则表达式也是一门语言,而括号的存在使这门语言更为强大。
对括号的使用是否得心应手,是衡量对正则的掌握水平的一个侧面标准。
括号的作用,其实三言两语就能说明白,括号提供了分组,便于我们引用它。
引用某个分组,会有两种情形:在 JavaScript 里引用它,在正则表达式里引用它。
本章内容虽相对简单,但我也要写长点。
内容包括:
- 分组和分支结构
- 分组引用
- 反向引用
- 非捕获括号
- 相关案例
3.1. 分组和分支结构
这二者是括号最直觉的作用,也是最原始的功能,强调括号内的正则是一个整体,即提供子表达式。
3.1.1. 分组
我们知道 /a+/
匹配连续出现的 "a"
,而要匹配连续出现的 "ab"
时,需要使用 /(ab)+/
。
其中括号是提供分组功能,使量词 +
作用于 "ab"
这个整体,测试如下:
var regex = /(ab)+/g;
var string = "ababa abbb ababab";
console.log(string.match(regex));
// => ["abab", "ab", "ababab"]
3.1.2. 分支结构
而在多选分支结构 (p1|p2)
中,此处括号的作用也是不言而喻的,提供了分支表达式的所有可能。
比如,要匹配如下的字符串:
I love JavaScript
I love Regular Expression
可以使用正则:
var regex = /^I love (JavaScript|Regular Expression)$/;
console.log(regex.test("I love JavaScript"));
console.log(regex.test("I love Regular Expression"));
// => true
// => true
如果去掉正则中的括号,即:
/^I love JavaScript|Regular Expression$/;
匹配字符串是 "I love JavaScript" 和 "Regular Expression",当然这不是我们想要的。
3.2. 分组引用
这是括号一个重要的作用,有了它,我们就可以进行数据提取,以及更强大的替换操作。
而要使用它带来的好处,必须配合使用实现环境的 API。
以日期为例。假设格式是 yyyy-mm-dd
的,我们可以先写一个简单的正则:
var regex = /\d{4}-\d{2}-\d{2}/;
其可视化形式是:
然后再修改成括号版的:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
其可视化形式是:
对比这两个可视化图片,我们发现,与前者相比,后者多了分组编号,如 Group #1。
其实正则引擎也是这么做的,在匹配过程中,给每一个分组都开辟一个空间,用来存储每一个分组匹配到的数据。
既然分组可以捕获数据,那么我们就可以使用它们。
3.2.1. 提取数据
比如提取出年、月、日,可以这么做:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
console.log(string.match(regex));
// => ["2017-06-12", "2017", "06", "12", index: 0, input: "2017-06-12"]
NOTE
match 返回的一个数组,第一个元素是整体匹配结果,然后是各个分组(括号里)匹配的 内容,然后是匹配下标,最后是输入的文本。另外,正则表达式是否有修饰符 g,match 返回的数组格式是不一样的。
另外也可以使用正则实例对象的 exec
方法:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
console.log(regex.exec(string));
// => ["2017-06-12", "2017", "06", "12", index: 0, input: "2017-06-12"]
同时,也可以使用构造函数的全局属性 $1 至 $9 来获取:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
regex.test(string); // 正则操作即可,例如
//regex.exec(string);
//string.match(regex);
console.log(RegExp.$1); // "2017"
console.log(RegExp.$2); // "06"
console.log(RegExp.$3); // "12"
3.2.2. 替换
比如,想把 yyyy-mm-dd
格式,替换成 mm/dd/yyyy
怎么做?
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
var result = string.replace(regex, "$2/$3/$1");
console.log(result);
// => "06/12/2017"
其中 replace 中的,第二个参数里用 $1、$2、$3 指代相应的分组。等价于如下的形式:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
var result = string.replace(regex, function () {
return RegExp.$2 + "/" + RegExp.$3 + "/" + RegExp.$1;
});
console.log(result);
// => "06/12/2017"
也等价于:
var regex = /(\d{4})-(\d{2})-(\d{2})/;
var string = "2017-06-12";
var result = string.replace(regex, function (match, year, month, day) {
return month + "/" + day + "/" + year;
});
console.log(result);
// => "06/12/2017"
3.3. 反向引用
除了使用相应 API 来引用分组,也可以在正则本身里引用分组。但只能引用之前出现的分组,即反向引用。
还是以日期为例。
比如要写一个正则支持匹配如下三种格式:
2016-06-12
2016/06/12
2016.06.12
最先可能想到的正则是:
var regex = /\d{4}(-|\/|\.)\d{2}(-|\/|\.)\d{2}/;
var string1 = "2017-06-12";
var string2 = "2017/06/12";
var string3 = "2017.06.12";
var string4 = "2016-06/12";
console.log(regex.test(string1)); // true
console.log(regex.test(string2)); // true
console.log(regex.test(string3)); // true
console.log(regex.test(string4)); // true
其中 /
和 .
需要转义。虽然匹配了要求的情况,但也匹配 "2016-06/12"
这样的数据。
假设我们想要求分割符前后一致怎么办?此时需要使用反向引用:
var regex = /\d{4}(-|\/|\.)\d{2}\1\d{2}/;
var string1 = "2017-06-12";
var string2 = "2017/06/12";
var string3 = "2017.06.12";
var string4 = "2016-06/12";
console.log(regex.test(string1)); // true
console.log(regex.test(string2)); // true
console.log(regex.test(string3)); // true
console.log(regex.test(string4)); // false
其可视化形式是:
注意里面的 \1
,表示的引用之前的那个分组 (-|\/|\.)
。不管它匹配到什么(比如 -
),\1
都匹配那个同样的具体某个字符。
我们知道了 \1
的含义后,那么 \2
和 \3
的概念也就理解了,即分别指代第二个和第三个分组。
看到这里,此时,恐怕你会有几个问题。
3.3.1. 括号嵌套怎么办?
以左括号(开括号)为准。比如:
var regex = /^((\d)(\d(\d)))\1\2\3\4$/;
var string = "1231231233";
console.log(regex.test(string)); // true
console.log(RegExp.$1); // 123
console.log(RegExp.$2); // 1
console.log(RegExp.$3); // 23
console.log(RegExp.$4); // 3
我们可以看看这个正则匹配模式:
- 第一个字符是数字,比如说
"1"
, - 第二个字符是数字,比如说
"2"
, - 第三个字符是数字,比如说
"3"
, - 接下来的是
\1
,是第一个分组内容,那么看第一个开括号对应的分组是什么,是"123"
, - 接下来的是
\2
,找到第 2 个开括号,对应的分组,匹配的内容是"1"
, - 接下来的是
\3
,找到第 3 个开括号,对应的分组,匹配的内容是"23"
, - 最后的是
\4
,找到第 4 个开括号,对应的分组,匹配的内容是"3"
。
\10
表示什么呢?
3.3.2. 另外一个疑问可能是,即 \10
是表示第 10 个分组,还是 \1
和 0
呢?
答案是前者,虽然一个正则里出现 \10
比较罕见。测试如下:
var regex = /(1)(2)(3)(4)(5)(6)(7)(8)(9)(#) \10+/;
var string = "123456789# ######";
console.log(regex.test(string));
// => true
提示
如果真要匹配 \1
和 0
的话,请使用 (?:\1)0
或者 \1(?:0)
。
3.3.3. 引用不存在的分组会怎样?
因为反向引用,是引用前面的分组,但我们在正则里引用了不存在的分组时,此时正则不会报错,只是匹配反向引用的字符本身。例如 \2
,就匹配 "\2"
。注意 "\2"
表示对 "2"
进行了转义。
var regex = /\1\2\3\4\5\6\7/;
console.log(regex.test("\1\2\3\4\5\6\7"));
console.log("\1\2\3\4\5\6\7".split(""));
Chrome 浏览器打印的结果(不同的浏览器和版本,打印的结果可能不一样):
3.3.4. 分组后面有量词会怎样?
分组后面有量词的话,分组最终捕获到的数据是最后一次的匹配。比如如下的测试案例:
var regex = /(\d)+/;
var string = "12345";
console.log(string.match(regex));
// => ["12345", "5", index: 0, input: "12345"]
从上面看出,分组 (\d)
捕获的数据是 "5"
。
同理对于反向引用,也是这样的。测试如下:
var regex = /(\d)+ \1/;
console.log(regex.test("12345 1"));
// => false
console.log(regex.test("12345 5"));
// => true
3.4. 非捕获括号
之前文中出现的括号,都会捕获它们匹配到的数据,以便后续引用,因此也称它们是捕获型分组和捕获型分支。
如果只想要括号最原始的功能,但不会引用它,即,既不在 API 里引用,也不在正则里反向引用。
此时可以使用非捕获括号 (?:p)
和 (?:p1|p2|p3)
,例如本章第一个例子可以修改为:
var regex = /(?:ab)+/g;
var string = "ababa abbb ababab";
console.log(string.match(regex));
// => ["abab", "ab", "ababab"]
同理,第二例子可以修改为:
var regex = /^I love (?:JavaScript|Regular Expression)$/;
console.log(regex.test("I love JavaScript"));
console.log(regex.test("I love Regular Expression"));
// => true
// => true
3.5. 相关案例
至此括号的作用已经讲完了,总结一句话,就是提供了可供我们使用的分组,如何用就看我们的了。
3.5.1. 字符串 trim 方法模拟
trim 方法是去掉字符串的开头和结尾的空白符。有两种思路去做。
第一种,匹配到开头和结尾的空白符,然后替换成空字符。如:
function trim(str) {
return str.replace(/^\s+|\s+$/g, "");
}
console.log(trim(" foobar "));
// => "foobar"
第二种,匹配整个字符串,然后用引用来提取出相应的数据:
function trim(str) {
return str.replace(/^\s*(.*?)\s\*$/g, "$1");
}
console.log(trim(" foobar "));
// => "foobar"
这里使用了惰性匹配 *?
,不然也会匹配最后一个空格之前的所有空格的。
当然,前者效率高。
3.5.2. 将每个单词的首字母转换为大写
function titleize(str) {
return str.toLowerCase().replace(/(?:^|\s)\w/g, function (c) {
return c.toUpperCase();
});
}
console.log(titleize("my name is epeli"));
// => "My Name Is Epeli"
思路是找到每个单词的首字母,当然这里不使用非捕获匹配也是可以的。
3.5.3. 驼峰化
function camelize(str) {
return str.replace(/[-_\s]+(.)?/g, function (match, c) {
return c ? c.toUpperCase() : "";
});
}
console.log(camelize("-moz-transform"));
// => "MozTransform"
其中分组 (.)
表示首字母。单词的界定是,前面的字符可以是多个连字符、下划线以及空白符。正则后面的 ? 的目的,是为了应对 str 尾部的字符可能不是单词字符,比如 str 是 '-moz-transform '
。
3.5.4. 中划线化
function dasherize(str) {
return str
.replace(/([A-Z])/g, "-$1")
.replace(/[-_\s]+/g, "-")
.toLowerCase();
}
console.log(dasherize("MozTransform"));
// => "-moz-transform"
驼峰化的逆过程。
3.5.5. HTML 转义和反转义
// 将 HTML 特殊字符转换成等值的实体
function escapeHTML(str) {
var escapeChars = {
"<": "lt",
">": "gt",
'"': "quot",
"&": "amp",
"'": "#39",
};
return str.replace(
new RegExp("[" + Object.keys(escapeChars).join("") + "]", "g"),
function (match) {
return "&" + escapeChars[match] + ";";
}
);
}
console.log(escapeHTML("<div>Blah blah blah</div>"));
// => "<div>Blah blah blah</div>";
其中使用了用构造函数生成的正则,然后替换相应的格式就行了,这个跟本章没多大关系。
倒是它的逆过程,使用了括号,以便提供引用,也很简单,如下:
// 实体字符转换为等值的 HTML。
function unescapeHTML(str) {
var htmlEntities = {
nbsp: " ",
lt: "<",
gt: ">",
quot: '"',
amp: "&",
apos: "'",
};
return str.replace(/\&([^;]+);/g, function (match, key) {
if (key in htmlEntities) {
return htmlEntities[key];
}
return match;
});
}
console.log(unescapeHTML("<div>Blah blah blah</div>"));
// => "<div>Blah blah blah</div>"
通过 key
获取相应的分组引用,然后作为对象的键。
3.5.6. 匹配成对标签
要求匹配:
<title>regular expression</title>
<p>laoyao bye bye</p>
不匹配:
<title>wrong!</p>
匹配一个开标签,可以使用正则 <[^>]+>
,
匹配一个闭标签,可以使用 <\/[^>]+>
,
但是要求匹配成对标签,那就需要使用反向引用,如:
var regex = /<([^>]+)>[\d\D]\*<\/\1>/;
var string1 = "<title>regular expression</title>";
var string2 = "<p>laoyao bye bye</p>";
var string3 = "<title>wrong!</p>";
console.log(regex.test(string1)); // true
console.log(regex.test(string2)); // true
console.log(regex.test(string3)); // false
其中开标签 <[\^>]+>
改成 <([^>]+)>
,使用括号的目的是为了后面使用反向引用,而提供分组。闭标签使用了反向引用,<\/\1>
。
另外,[\d\D]
的意思是,这个字符是数字或者不是数字,因此,也就是匹配任意字符的意思。
3.6 本章小结
重点理解括号可以提供分组,我们可以提取数据,应该就可以了。