正则表达式(二)

2018-03-22  本文已影响13人  IsaacHHH

我们想象一下这样的场景：需要用正则表达式去标记要匹配的文本位置，而不仅仅是去查找文本本身。这就需要我们正则中的另一个知识：前后查找。

从需求中去理解"前后查找"

所谓的前后查找，在进步一用大白话来说就是：我要查找某个位置的前面（或后面）的内容。比如：https://baidu.com，我们需要查找:前面的，也就是https这几个字。

或许对于上面这个例子，不用前后查找也能实现。比如用"文本匹配"、子表达式以及利用开始^、结束$符都可以。但是很显然是比较耗时、繁琐的。比如下面这个例子：

<body>
  <h1>我是H1标签</h1>
</boy>

对于上面的例子中，我们想要获取到标题标签里的内容, 注意：仅仅是要获取内容，而不获取标签本身。

或许我们可以这么写:
<h1>.*<\/h1>
或许再完善一些，可以这么写:
<[hH]([1-6])>.*<\/[hH]\1>
我们会发现，这样虽然可以获取到标题标签和内容，但是我们不想要<h1>——<h6>这些元素标签，我们只需要标签里的内容。虽然我们可以在进一步对返回的匹配结果进行处理，但是相对于前后查找显然是比较繁琐的。

有了实际场景需求后，可以去尝试用前后查找的方法去解决。

前后查找实际应用

前后前后，肯定会有前有后，也就是会有向前查找和向后查找。

向前查找

基本语法：?=

先来看几个例子

  1. 找出URL中的使用的是什么协议。
let str1 = 'https://baidu.com';
let str2 = 'http://qq.com';
let str3 = 'ftp://taobao.com';

// 正则表达式
let regexp = /.+(?=:)/;
str1.match(regexp); // https
str2.match(regexp); // http
str3.match(regexp); // ftp

这里，我们在js中使用match方法去找出协议名称，可以很容易的匹配到。

对于这段正则/.+(?=:), 其中?=正是向前查找的语法。对于使用()包裹起来的是字表达时，这个我们应该了解，也就是说，在子表达式中， 我们通过向前查找的语法?=告诉正则, 我们只匹配:前面的内容。

用一些专业术语来说, 我们这里?=:的意思是：只要找到:就行，但是不消费它，并且返回:前面的内容。

如果我们不用向后查找?=试一下：
正则：.+:
使用上面的正则运行一下你会发现，冒号:也被包含在匹配结果里了，显然，这不是我们想要的。

向后查找

基本语法: ?<=

我们发现，向后查找相较于向前查找，在语法上，知识少了一个箭头：<。在概念上，理解了前面的向前查找，向后查应该也会理解。

所谓的向后查找，就是查找某个字符位置的后面内容。

先来看几个例子

还是拿前面的向前查找的的匹配URL协议的例子。只不过我们现在把需求改一下，改成获取URL地址，但是不包含协议头和冒号。

修改后的正则: (?<=:).+。
这样，我们就会获取到协议后面的网址。也就是说会获取:后面的内容(虽然带上了两个斜线//)。

当然，这里我们可以直接调用JS中的location对象中的host(或者hostname)属性，包括协议名称也可以拿到，但是我们这里说的是正则😁。

解决问题(前后查找同时用)

前面通过两个简单的例子，我们理解了什么是向后查找和向前查找。前后查找就是匹配一个标识的前后内容，可以将这个标识理解成界定符(或分隔符), 但是不消费这个界定符。

理解了之后，我们开始着手解决刚开始我们遇到的场景：去找出标题标签中的内容。
在开始之前，我们要知道，前后查找可以同时用，也就是说向后查找和向前查找可以同时用。
而这里我们要查找出来标签里的文本内容，换句话说，就是要查找<h1>和</h1>之间的内容。
再进一步理解，就是我们要对<h1>进行向后查找，对<h1/>进行向前查找。

文本：

<body>
  <h1>我是H1</h1>
</body>

正则：(?<=<h1>).*(?=<\/h1>)。

这里我们通过两个子表达式来解决了前面的问题，两个子表达式就像两个定界符，分别在两边卡住了我们需要的内容。解决思路前面我们也已经解释了，就是前后查找同时用。
当然，这个正则有一些局限性，只能匹配<h1>标签，我们可以进一步完善：

完善后的正则:
(?<=[hH]([1-6])>).*(?=<\/[hH]\1>)
这里我们可以成功匹配<h1>到<h6>标签之间的内容，并且不论标签是否大小写，还有一点就是：利用了回溯引用，前后标签不匹配的我们会忽略。关于回溯引用，我的另外一篇文章中有写到。

负向前(后)查找

这里所说的负向前查找和负向后查找，和前面我们所说的向前查找和向后查找是相对的。通俗点说，这里的负就是取非的意思，也就是对前后查找取非。

这里的取非，和我们正则中的另外一个取非字符^不同，这里的取非，并没有使用^字符。

负向前查找

负向前查找会向前查找与给定模式不匹配的内容。

基本语法: ?!

我们来看一个例子

123(?!com) //匹配后面不带com的123
可以匹配： 123cn
不能匹配：123com

负向后查找

负向后查找会向后查找与给定模式不匹配的内容

基本语法：?<!

(?<!com)123 // 匹配前面不带com的123
可以匹配: abc123
不可匹配: com123

我们来看一个例子

文本：

I paid $30 for 100 apples,
50 pranges, and 60 pears,
I saved $5 on this order.

我们需要做的是：找出价格，但是不包含$符号。这里我们使用向后查找。
正则：(?<=\$)\d+
这样，我们会查找出价格，在这里就是30和5

如果我们要查找出来数量，这里就要使用到负向后查找。
正则：\b(?<!\$)\d+
我们此时会返回100、50和60 。

另外我们这里使用\b元字符来定义了单词边界，是为了防止出现查找到的内容包含一些非单词的内容。你可以尝试下去掉\b元字符再去匹配下，会发现返回的结果中包含了$30中的0，因为这个0完全符合规则，因为0前面不是$。

当然了，如果不使用负向前查找，也可以使用[^$]\d+，但是需要注意的是，返回的每个结果前面会包含一个空格。

总结

这里的前后查找又称零宽断言。
有四种基本的前后查找操作符:

所谓的前后查找，就是将我们充当定界符的东西放在=后面，这样就不会消费这个定界符，返回的结果只是这个界定符前面(或后面)的内容。

同时，我们可以将前后查找组合使用。

上一篇下一篇

猜你喜欢

热点阅读