JS正则表达式的骚操作

参考资料

《JS正则表达式的分组匹配》
《正则表达式之捕获组/非捕获组介绍》
《正则表达式中(?:pattern)、(?=pattern)、(?!pattern)、(?<=pattern)和(?<!pattern)》
《正则基础之——NFA引擎匹配原理》

NB的工具网站

《正则在线测试》
《正则测试、学习工具》
《正则测试、学习工具-英文原版》

背景介绍

由来

做Hexo的时候遇到一个问题，因为图片等文件很多已经上传到了腾讯云的COS对象存储，而且COS开启了CDN加速，所以其实每个上传的对象都存在一个对应的CDN加速的域名，比如上传文件的原访问地址为：https://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg，由于Hexo是生成的静态页面，所以我们需要在生成静态页面前将这些静态资源的地址替换为CDN加速的域名地址，比如上面的域名替换为：https://blog.666.top/res/public/test.jpg。

由于Hexo使用的是Markdown语法然后渲染为静态HTML页面，所以我们实际上需要针对渲染完成的静态HTML页面中的特殊标签的特殊内容进行替换。比如说有一个<img src="https://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg"></img>这种情况。

需求描述

我们替换不是对所有标签的src进行替换，可能只替换诸如<img>、<audio>、<video>这三个标签的src，同时由于src中可能会引入其他外部网站的图片，所以肯定只需要对来自我们特定域名下特定目录下的特定标签中的src进行域名CDNIFY操作。所以我们产生了如下几个必要条件：

1. HTML文档中的<img>、<audio>、<video>标签
2. 上面这些标签src中的URL的HOST满足bucketname.cos.ap-beijing.myqcloud.com
3. 这个文件的URL中目录前缀是/res/public/，也就是说/res/private/aaa.jpg这种是不进行替换的

解决方法当然也有很多种，比如Hexo中有专门的第三方插件库（无法满足要求所以放弃），解析HTML后替换（速度慢）等，但介于无法满足我们的要求，最后还是采用将生成的页面通过正则进行替换，所以也引发了这篇对正则的学习笔记。

知识积累

对于正则的使用，一直都是什么时候用什么时候查，用到了再想办法那种。因为觉得脑子根本记不住那些个表达式（蛤蛤蛤蛤）。直到遇到今天这个问题，于是对正则表达式的语法进行了进一步的学习。

一、JS正则表达式的分组匹配

• 什么是分组

通俗来说，我理解的分组就是在正则表达式中用()包起来的内容代表了一个分组，像这样的：

var reg = /(\d{2})/
reg.test('12');  //true

这里reg中的(/d{2})就表示一个分组，匹配两位数字

• 分组内容的的形式

一个分组中可以像上面这样有一个具体的表达式，这样可以优雅地表达一个重复的字符串

/hahaha/
/(ha){3}/

这两个表达式是等效的，但有了分组之后可以更急简洁。
体格分组中还可以有多个候选表达式，例如

var reg = /I come from (hunan|hubei|zhejiang)/;
reg.test('I come from hunan');   //true
reg.test('I come from hubei');   //true

也就是说在这个分组中，通过|隔开的几个候选表达式是并列的关系，所以可以把这个|理解为或的意思

• 捕获组

正则表达式	描述	示例
(pattern)	匹配pattern并捕获结果，自动设置组号。	(abc)+d匹配abcd或者abcabcd
(?<name>pattern) 或 (?'name'pattern)	匹配pattern并捕获结果，设置name为组名。	经测试JS中支持<>命名
\num	对捕获组的反向引用。其中 num 是一个正整数。	(\w)(\w)\2\1 匹配abba
\k<name> 或 \k'name'	对命名捕获组的反向引用。其中 name 是捕获组名。	(?<group>\w)abc\k<group>匹配xabcx

使用小括号指定一个子表达式后，匹配这个子表达式的文本(也就是此分组捕获的内容)可以在表达式或其它程序中作进一步的处理。默认情况下，每个捕获组会自动拥有一个组号，规则是：从左向右，以分组的左括号为标志，第一个出现的分组的组号为1，第二个为2，以此类推。

示例一 明名捕获组：

const str = 'http://reg-test-server:8080/download/file1.html#'
const reg = /(?<protocol>\w+):\/\/(?<host>[^/:]+)(?<port>:\d+)?(?<path>[^# :]*)/
console.log(reg.exec(str))

输出结果：

[ 'http://reg-test-server:8080/download/file1.html',
  'http',
  'reg-test-server',
  ':8080',
  '/download/file1.html',
  index: 0,
  input: 'http://reg-test-server:8080/download/file1.html#',
  groups: [Object: null prototype] {
    protocol: 'http',
    host: 'reg-test-server',
    port: ':8080',
    path: '/download/file1.html' } ]

可以看到URL中各个分组已经在groups中命名了。如果不命名，则groups为空

示例二 明名分组的引用：

const str = 'http://reg-test-server:8080/download/file1.html#'
const reg = /(?<protocol>\w+):\/\/(?<host>[^/:]+)(?<port>:\d+)?(?<path>[^# :]*)/

console.log('Before', str)
console.log('After ', str.replace(reg, '$<protocol>://www.baidu.com$<port>$<path>'))

输出结果为：

Before http://reg-test-server:8080/download/file1.html#
After  http://www.baidu.com:8080/download/file1.html#

当然上面只是示例了一下明名分组的引用，实际可能无需这么麻烦。

示例三 反向引用：

const str1 = 'https://www.baidu.com?method=https'
const str2 = 'https://www.baidu.com?method=http'

const reg = /(\w+):\/\/[^/:]+\?method=\1/

console.log(reg.test(str1), reg.test(str2)) //true false

首先通过分组(\w+)捕获了https这个协议串，然后在最后的method=\1中通过反向引用，引用了之前捕获的https这个串，所以在验证的时候，method=https返回为true，而method=http则会返回false

还有个常用的反向引用示例如下：

var reg = /(\w{3}) is \1/
reg.test('kid is kid') // true
reg.test('dik is dik') // true
reg.test('kid is dik') // false
reg.test('dik is kid') // false

需要注意的是，如果引用了越界或者不存在的编号的话，就被被解析为普通的表达式

var reg = /(\w{3}) is \6/;
reg.test( 'kid is kid' ); // false
reg.test( 'kid is \6' );  // true

二、正则表达式的非捕获型分组

字符	描述	示例
(?:pattern)	匹配pattern，但不捕获匹配结果。	'industr(?:y|ies)' 匹配'industry'或'industries'。
(?=pattern)	正向肯定预查，匹配pattern前面的位置。不捕获匹配结果。	'Windows(?=95|98|NT|2000)' 匹配 "Windows2000" 中的 "Windows" 不匹配 "Windows3.1" 中的 "Windows"。 ※ 简单说，以 xxx(?=pattern)为例，就是捕获以pattern结尾的内容xxx
(?!pattern)	正向否定预查，在任何不匹配pattern的字符串开始处匹配查找字符串。不捕获匹配结果。	'Windows(?!95|98|NT|2000)' 匹配 "Windows3.1" 中的 "Windows" 不匹配 "Windows2000" 中的 "Windows"。 ※ 简单说，以 xxx(?!pattern)为例，就是捕获不以pattern结尾的内容xxx
(?<=pattern)	反向肯定预查，与正向肯定预查类似，只是方向相反。不捕获匹配结果。	'2000(?<=Office|Word|Excel)' 匹配 " Office2000" 中的 "2000" 不匹配 "Windows2000" 中的 "2000"。 ※ 简单说，以(?<=pattern)xxx为例，就是捕获以pattern开头的内容xxx。
(?<!pattern)	反向否定预查，与正向否定预查类似，只是方向相反。不捕获匹配结果。	'2000(?<!Office|Word|Excel)' 匹配 " Windows2000" 中的 "2000" 不匹配 " Office2000" 中的 "2000"。 ※ 简单说，以(?<!pattern)xxx为例，就是捕获不以pattern开头的内容xxx。

非捕获组只匹配结果，但不捕获结果，也不会分配组号，当然也不能在表达式和程序中做进一步处理。
首先(?:pattern)与(pattern)不同之处只是在于不捕获结果。
接下来的四个非捕获组用于匹配pattern（或者不匹配pattern）位置之前（或之后）的内容。匹配的结果不包括pattern。

应用举例

(?<=<(\w+)>).*(?=<\/\1>)匹配不包含属性的简单HTML标签内的内容。如：<div>hello</div>之中的hello，匹配结果不包括前缀<div>和后缀</div>。
下面是程序中非捕获组的示例，用来提取数字。 可以看到反向回查和反向预查都没有被捕获。

const str = '有下面几组数字：010001，100，21000，4100011，510002，310000，把6位数且开头不是0的数挑出来。'
const reg1 = /([1-9]\d{5})/g
console.log(str.match(reg1)) // [ '410001', '510002', '310000' ]

const reg2 = /(?<!\d)([1-9]\d{5})/g
console.log(str.match(reg2)) // [ '410001', '510002', '310000' ]

const reg3 = /(?<!\d)([1-9]\d{5})(?!\d)/g
console.log(str.match(reg3)) // [ '510002', '310000' ]

我们看到，只有第三个正则才是输出的正确的结果。首先我们捋一下，什么样的数字如何我们的要求呢？

1. 开头不为1
2. 连续的6个数字
3. 第一个数字前面不是数字
4. 最后一个数字后面不是数字

首先中间的分组([1-9]\d{5})实现了开头不是0且6位数的作用，满足了1，2两条要求，但是对于4100011这个数字，也都符合要求但是是7位的。
然后我们通过(?<!\d)这个表达式，实现了反向否定预查，就是说我们要捕获的内容不以数字开头，从而满足了第3条要求。
最后我们通过(?!\d)这个表达式，实现了正向否定预查，就是说我们要捕获的内容不以数字结尾，从而剔除了4100011这个数字，实现了我们最终的要求。

问题解决

好啦，前面补充了这么多营(ji)养(chu)快(zhi)线(shi)，我们回到本次的主题。怎么进行有效的替换呢？同样先来捋一捋，我们需要满足什么要求：

1. 只替换HTML文档中的<img>、<audio>、<video>标签，其他标签不做处理
2. 满足上面条件下，标签的SRC中，域名是bucketname.cos.ap-beijing.myqcloud.com的
3. 满足上面条件下，标签的SRC中，路径是/res/public/开头的
4. 满足上面条件下，保留原来的http或者https协议

当然上面的这个条件并不一定满足所有的场景，因为我们实现可以知道对于这三种标签，没有什么复杂的嵌套关系，所以说根据实际的场景制定了上面的几个约束条件。那么我们就来看看该如何来制定正则呢：
/((\<(img|video|audio)+.*\s+src\=.*\/\/)|(\!\[.*\]\(.*\/\/))bucketname.cos.ap-beijing.myqcloud.com(?=\/res\/public\/)/gm

让我们一起来解释一下上面的这个正则：

1. (\<(img|video|audio)+.*\s+src\=.*\/\/)这是第一个捕获分组，用于捕获HTML语法中的指定标签
   • \<(img|video|audio)+，这个捕获分组规定了匹配那三类标签的开头，如<img字符
   • .*\s+src\=.*\/\/，这部分用来匹配<img ..... src="http://这部分，当然img和src中间可能存在其他属性定义，一并捕获，例如：<img width="100%" alt="aae" src="http://
   • 我们通过\s+src\=来进一步限制捕获的src=前面必须有至少一个空格
2. |(\!\[.*\]\(.*\/\/))这是第二个捕获分组，中间用了|来分割，用来捕获MARKDOWN语法中的图片标签，如![图片描述](http://
3. 前面两个捕获分组合并成一个大的捕获分组：((\<(img|video|audio)+.*\s(src)\=.*\/\/)|(\!\[.*\]\(.*\/\/))，至此实现了指定域名下指定标签对象的内容的前部分的捕获，但是条件3要求我们只替换/res/public/路径下的内容，所以我们在后面加入了(?=\/res\/public\/)这个正向肯定查询分组
   • (?=\/res\/public\/) 正如上面所说，它只会限制捕获以/res/public/结尾的字符串而不会将其捕获，为何呢？因为我们这里不需要将其捕获
4. 最后我们通过/gm模式，启用全局和多行模式。

搞定上面的正则表达式后，我们来考虑替换的问题。替换自然用的是JS中的replace函数，直接上代码：

const reg = /((\<(img|video|audio)+.*\s+src\=.*\/\/)|(\!\[.*\]\(.*\/\/))bucketname.cos.ap-beijing.myqcloud.com(?=\/res\/public\/)/gm

const str = `
<img src="http://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg" />
<img width="100%" height="100%" alt="上海鲜花港 - 郁金香" src="https://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg" />
<img width="100%" height="100%" alt="上海鲜花港 - 郁金香"
     src="http://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg" />
![上海鲜花港 - 郁金香](https://bucketname.cos.ap-beijing.myqcloud.com/res/public/markdown.md)

<img src="http://bucketname.cos.ap-beijing.myqcloud.com/public/test.jpg" width=100% height=100% alt="上海鲜花港 - 郁金香"/>
<img alt="上海鲜花港 - 郁金香" src="http://bucketname.cos.ap-beijing.myqcloud.com/res/private/test.jpg" width=100% height=100% />
`

console.log(str.replace(reg, '$1blog.666.top'))

输出结果：

<img src="http://blog.666.top/res/public/test.jpg" />
<img width="100%" height="100%" alt="上海鲜花港 - 郁金香" src="https://blog.666.top/res/public/test.jpg" />
<img width="100%" height="100%" alt="上海鲜花港 - 郁金香"
     src="http://blog.666.top/res/public/test.jpg" />
![上海鲜花港 - 郁金香](https://blog.666.top/res/public/markdown.md)

<img src="http://bucketname.cos.ap-beijing.myqcloud.com/public/test.jpg" width=100% height=100% alt="上海鲜花港 - 郁金香"/>
<img alt="上海鲜花港 - 郁金香" src="http://bucketname.cos.ap-beijing.myqcloud.com/res/private/test.jpg" width=100% height=100% />

由此，之前提出的问题就已经解决啦！但是如果要匹配的内容如下：

<img src="http://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg" />
<img width="100%" height="100%"
     alt="上海鲜花港 - 郁金香"
     src="http://bucketname.cos.ap-beijing.myqcloud.com/res/public/test.jpg" />

运用上面的正则是无法匹配成功的，这个问题留给你自己探索吧！