正則表達式學習-前後查找lookaround – JAVA編程語言程序開發技術文章

PS:在所有例子中正則表達式匹配結果包含在源文本中的【和】之間,有的例子會使用java來實現,如果是java本身正則表達式的用法,會在相應的地方說明。所有java例子都在JDK1.6.0_13下測試通過。

 

一、問題引入

         在HTML頁面中,匹配出一對標簽之間的文本,如匹配出頁面的標簽,即<title>與</title>之間的文本:

文本:<head><TITLE>welcome to my page</title></head>

正則表達式:<[Tt][Ii][Tt][Ll][Ee]>.*?</ [Tt][Ii][Tt][Ll][Ee]>

結果:<head>【<TITLE>welcome to my page</title>】</head>

分析:<[Tt][Ii][Tt][Ll][Ee]>表示不區分大小寫,這個模式匹配到瞭title標簽以及它們之間的文本,但是並不完美,因為我們隻想要title標簽之間的文本,而不包括標簽本身。解決這個問題我們就需要用到前後查找(lookaround)。

二、向前查找

         向前查找指定瞭一個必須匹配但不在結果中返回的模式。向前查找實際上就是一個子表達式,它以?=開頭,需要匹配的文本跟在=的後面。

         看一個匹配出一個URL地址中協議部分的例子:

 正則表達式:.+(?=:)

結果:【http】://blog.csdn.net/mhmyqn

分析:URL地址中協議部分是在:之前的部分,模式.+匹配任意文本,子表達式(?=:)匹配:,但是被匹配到的:並沒有出現在結果中。我們使用?=向正則表達式引擎表明,隻要找到:就行瞭,但不包括在最終的返回結果裡。這裡如果不使用向前匹配(?=:),而是直接使用(:),那麼匹配結果就會是http:瞭,它包括瞭:,並不是我們想要的。

 註意:前後查找中的前、後是指模式與被查找文本的相對位置而言的,左為前,右為後。即向前查找為:xxx(?=xxx),而向後查找為(?<=xxx)xxx,向後查找在接下來會介紹到。

 三、向後查找

         向後查找操作符是?<=。但是並不是所有的正則表達式實現都支持向後查找,javascript就不支持,java語言支持向後查找。

         比如要查找文本當中的價格(以$開頭,後面跟數字),結果不包含貨幣符號:

文本:category1:$136.25,category2:$28,category3:$88.60

正則表達式:(?<=\$)\d+(\.\d+)?

結果:category1:$【136.25】,category2:$【28】,category3:$【88.60】

分析:(?<=\$)模式匹配$,\d+(\.\d+)?模式匹配整數或小數。從結果可以看出,結果不沒有包括貨幣符號,隻匹配出瞭價格。如果不使用向後查找,情況會是什麼樣呢?使用模式$\d+(\.\d+)?,這樣會把$包含在結果中。使用模式\d+(\.\d+)?,又會把categery1(23)中的數字也匹配出來,都不是我們想要的。

 註意:向前查找模式的長度是可變的,它們可以包含.、*、+之類的元字符;而向後查找模式隻能是固定長度,不能包含.、*、+之類的元字符。

 四、把向前查找和向後查找結合起來

         把向前查找和向後查找結合起來使用,即可解決前面HTML標簽之間的文本的問題:

文本:<head><TITLE>welcome to my page</title></head>

正則表達式:(?<=<[Tt][Ii][Tt][Ll][Ee]>).*?(?=</ [Tt][Ii][Tt][Ll][Ee]>)

結果:<head><TITLE>【welcome to my page】</title></head>

分析:從結果可以看出,問題完美的解決瞭。(?<=<[Tt][Ii][Tt][Ll][Ee]>)是一個向後操作,它匹配<title>但不消費它,(?=</[Tt][Ii][Tt][Ll][Ee]>)是一個向前操作,它匹配</title>但不消費它。最終返回的匹配結果隻包含瞭標簽之間的文本瞭。

 

五、對前後查找取非

         前面說到的向前查找和向後查找通常都是用來匹配文本,其目的是為瞭確定將被返回的匹配結果的文本的位置(通過指定匹配結果的前後必須是哪些文本)。這種用法叫正向前查找和正向後查找。還有一種負向前查找和負向後查找,是查找那些不與給定模式相匹配的文本。

 

前後查找的操作符:

(?=)           正向前查找

(?!)            負向前查找

(?<=)         正向後查找

(?<!)          負向後查找

 

比如一段文本中即有價格(以$開頭,後面跟數字)和數量,我們要找出價格和數量,先來看查找價格:

文本:I paid $30 for 10 apples, 15 oranges, and 10 pears. I saved $5 onthis order.

正則表達式:(?<=\$)\d+

結果:I paid 【$30】 for 10 apples, 15 oranges, and 10 pears. I saved 【$5】 on thisorder.

 

查找數量:

文本:I paid $30 for 10 apples, 15 oranges, and 10 pears. I saved $5 onthis order.

正則表達式:\b(?<!\$)\d+\b

結果:I paid $30 for 【10】 apples, 【15】 oranges, and 【10】pears. I saved $5 on this order.

分析:(?<!\$)表示一個負向後查找,它使得結果隻包含那些不以$開頭的數值。

 

六、小結

         有瞭前後查找,就可以對最終的匹配結果包含哪些內容做出精確的控制。前後查找操作使我們可以利用子表達式來指定文本匹配操作發生的位置,並收到隻匹配不消費的效果。

發佈留言