0%

正则表达式 - 分组 & 前瞻 & 后瞻

发表于 更新于 分类于

之前在处理短信验证码问题的时候，碰到了关于验证码正则的问题，其中涉及到正则表达中的 前瞻（lookahead） 和 后瞻（lookbehind），借此机会总结一下正则表达式的这种高级用法。

问题分析

先看以下案例：

1
2
3
4
您的验证码为 1247 ，请注意查收。
您的验证码为1247，请注意查收。
Your verification code is 1247 .
您的验证码为 124789 ，请注意查收。

针对以上 4 个例子，给出正则表达式，如何才能保证只提取其中的 4 位数验证码，并过滤掉 6 位数的验证码呢？（也就是对于情况123，提取出 1247，对于情况4，则返回无法提取。）

最开始想当然的认为这个正则很好写，[0-9]{4} 就搞定了，然而在匹配第 4 条的时候，匹配出来的结果也是 1247，显然不满足要求。然后再考虑到，4 位数字的字符串两边是有边界的，所以可以用 \b[0-9]{4}\b 来表示，然而这却没办法满足情况 2，在情况 2 下，匹配出来的结果为空。

最后的想法是，只要保证 匹配 4 位数字字符串，且其前后都不再有数字，则可以匹配以上所有情况。要满足这样的需求，则需要引申出 分组 以及 前瞻，后瞻 的概念。

相关概念

分组（Group）

1
hellohellohello

针对以上文本，我们可以用 hellohellohello 正则表达式去匹配，更好的写法是 (hello){3}。其中被圆括号 () 括起来的部分称之为 分组。

分组的引用

对于一个正则表达式来说，其中的分组是有相应编号（引用）的。

对于文本 ABCDEFG，可以用正则表达式 ((A(BC))((DE)F))G 来匹配：

编号 组 匹配内容
0 ((A(BC))((DE)F))G ABCDEFG
1 ((A(BC))((DE)F)) ABCDEF
2 (A(BC)) ABC
3 (BC) BC
4 ((DE)F) DEF
5 (DE) DE

关于分组的编号，其实就是二叉树的前序遍历（根节点 -> 左子树 -> 右子树），排除其中不是分组的部分的即可：

1
2
3
4
5
6
7
8
9
10
11
12
13
对于 (A(BC)(DE)F)G，我们可以在最外层先设一对圆括号：

                ((A(BC))((DE)F))G ->0
                ↓                   ↓ 
             ((A(BC))((DE)F)) ->1   G
            ↓             ↓
        (A(BC)) ->2     ((DE)F) ->4
        ↓    ↓          ↓        ↓
        A   (BC) ->3  (DE) ->5   F
             ↓         ↓
             BC        DE

根据编号 0~5, 可以找到对应编号的分组

分组的种类

分组的种类可以分为两大类，即 捕获型分组 和 非捕获型分组:

  1. 捕获型分组：将捕获（即匹配）到的内容放进分组中，简单来说 捕获型分组的内容是要进入分组编号 的，用 (pattern) 来表示。上面用到的分组都是捕获型分组。
  2. 非捕获型分组： 不将捕获（即匹配）到的内容放进分组中，简单来说 非捕获型分组的内容是不会进入分组编号 的，包括了 (?:pattern)（标准的非捕获型分组）, (?=pattern)（肯定前瞻分组）, (?!pattern)（否定前瞻分组）, (?<=pattern)（肯定后瞻分组）, (?<!pattern)（否定后瞻分组）

标准非捕获型分组 - (?:pattern)

(?:pattern) 是标准的非捕获型分组。

还是以前面的文本 ABCDEFG 为例，可以用包含了标准的非捕获分组的正则表达式 (?:(A(BC))((DE)F))G 去匹配，(?:pattern) 不参与分组，也就是 (?:(A(BC))((DE)F)) 不参与分组，所以：

编号 组 匹配内容
0 (A(BC)(DE)F)G ABCDEFG
1 (A(BC)) ABC
2 (BC) BC
3 ((DE)F) DEF
4 (DE) DE

前瞻 & 后瞻

我们一般把文本开头的方向称之为 前 面，文本结尾称之为 后 面。而 正则表达式解析引擎默认是从左往右解析的，因此对于解析引擎来说，文本尾部方向就是前方 。 其实通过英文 lookahead 和 lookbehind 也能快速理解 前 后 的正确含义。

前瞻 和 后瞻 都分别包含 肯定 和 否定，都属于 非捕获型分组。值得注意的是，并非所有的计算机语言都支持正则表达式的后瞻。

  • 肯定前瞻，用 (?=pattern) 表示。通俗解释： 匹配到的文本后面要跟着 pattern 代表的文本，也就是说 (?=pattern) 本身仅参与文本匹配时的预测，匹配到的文本不会包含 pattern 的内容。

    比如 ab(?=cd)，表示 匹配文本中包含的 ab 字符串，且该 ab 字符串后面要紧跟着 cd，否则无法匹配。比如该表达式能匹配到 abcd 中的 ab, 但不能匹配到 abef 中的 ab。注意到匹配到的文本（ab）并不会包含 pattern（(?=cd)） 的内容。

其他三种 否定前瞻， 肯定后瞻， 否定后瞻 概念可以类比出来，就不再赘述。

前瞻 & 后瞻 匹配规则及其匹配内容举例：

表达式 肯定前瞻 ab(?=cd) 否定前瞻 ab(?!cd) 肯定后瞻(?<=ab)cd 否定后瞻 (?<!ab)cd
文本
abcdefgh ab 空 cd 空
abefcdgh 空 ab 空 cd

问题解决

那么，针对文章开头的 匹配 4 位数字字符串，且其前后都不再有数字 的正则表达式的书写就迎刃而解了：

1
(?<![0-9])[0-9]{4}(?![0-9])

参考

Java 正则表达式
JavaScript 正则表达式的分组匹配
使用正则表达式找出不包含特定字符串的条目