|
1 概述 平衡组是微软在.NET中提出的一个概念，主要是结合几种正则语法规则，提供对配对出现的嵌套结构 的匹配。.NET是目前对正则支持最完备、功能最强大的语言平台之一，而平衡组正是其强大功能的外在表现，也是比较实用的文本处理功能，目前只有.NET 支持，相信后续其它语言会提供支持。 平衡组可以有狭义和广义两种定义，狭义平衡组指.NET中定义的(?Expression)语法，广义平衡组并不是固定的语法规则，而是几种语法规则的综合运用，我们平时所说的平衡组通常指的是广义平衡组。本文中如无特殊说明，平衡组这种简写指的是广义平衡组。 正是由于平衡组功能的强大，所以带来了一些神秘色彩，其实平衡组并不难掌握。下面就平衡组的匹配原理、应用场景以及性能调优展开讨论。 2 平衡组匹配原理 2.1 预备知识 平衡组通常是由量词，分支结构，命名捕获组，狭义平衡组，条件判断结构组成的，量词和分支结构这里不做介绍，这里只对命名捕获组，狭义平衡组和条件判断结构做下说明。 2.1.1 命名捕获组 语法：(?Expression) (?’name’Expression) 以上两种写法在..NET中是等价的，都是将“Expression”子表达式匹配到的内容，保存到以“name”命名的组里，以供后续引用。 对于命名捕获组的应用，这里不做重点介绍，只是需要澄清一点，平时使用捕获组时，一般反向引用或Group对象使用得比较多，可能会有一种误解，那就是捕获组只保留一个匹配结果，即使一个捕获组可以先后匹配多个子串，也只保留最后一个匹配到的子串。但事实是这样吗？ 举例来说： 源字符串：abcdefghijkl 正则表达式：(?[a-z]{2})+ 命名捕获组chars最终捕获的是什么？ string test = "abcdefghijkl"; Regex reg = new Regex(@"(?[a-z]{2})+"); Match m = reg.Match(test); if (m.Success) { richTextBox2.Text += "匹配结果：" + m.Value + "\n"; richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n"; } //输出 匹配结果：abcdefghijkl Group：kl 从m.Groups["chars"].Value的输出上看，似乎确实是只保留了一个匹配内容，但却忽略了一个事实，Group实际上是Capture的一个集合 string test = "abcdefghijkl"; Regex reg = new Regex(@"(?[a-z]{2})+"); Match m = reg.Match(test); if (m.Success) { richTextBox2.Text += "匹配结果：" + m.Value + "\n"; richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n"; foreach (Capture c in m.Groups["chars"].Captures) { richTextBox2.Text += "Capture：" + c + "\n"; } } //输出 匹配结果：abcdefghijkl Group：kl -------------- Capture：ab Capture：cd Capture：ef Capture：gh Capture：ij Capture：kl 平时应用时可能会忽略这一点，因为很少遇到一个捕获组先后匹配多个子串的情况，而在一个捕获组只匹配一个子串时，Group集合中就只有一个Capture元素，所以内容是一样的。 string test = "abcdefghijkl"; Regex reg = new Regex(@"(?[a-z]{2})"); Match m = reg.Match(test); if (m.Success) { richTextBox2.Text += "匹配结果：" + m.Value + "\n"; richTextBox2.Text += "Group：" + m.Groups["chars"].Value + "\n--------------\n"; foreach (Capture c in m.Groups["chars"].Captures) { richTextBox2.Text += "Capture：" + c + "\n"; } } //输出 匹配结果：ab Group：ab -------------- Capture：ab 捕获组保存的是一个集合，而不只是一个元素，这一知识点对于理解平衡组的匹配原理是有帮助的。 2.1.2 狭义平衡组 语法：(?Expression) 其中“Close”是命名捕获组的组名，也就是“(?Expression)”中的“name”， 可以省略，通常应用时并不关注，所以一般都是省略的，写作“(?<-Open>Expression)”。作用就是当此处的 “Expression”子表达式匹配成功时，则将最近匹配成功到的命名为“Open”组出栈，如果此前不存在匹配成功的“Open”组，那么就报告 “(?<-Open>Expression)”匹配失败，整个表达式在这一位置也是匹配失败的。 2.1.3 条件判断结构 语法：(?(Expression)yes|no) (?(name)yes|no) 对于“(?(Expression)yes|no)”，它是“(?(?=Expression)yes|no)”的简写形式，相当于三元运算符 (?=Expression) ? yes : no 表示如果子表达式“(?=Expression)”匹配成功，则匹配“yes”子表达式，否则匹配 “no”子表达式。如果“Expression”与可能出现的命名捕获组的组名相同，为避免混淆，可以采用“(? (?=Expression)yes|no)”方式显示声明“Expression”为子表达式，而不是捕获组名。 “(?=Expression)”验证当前位置右侧是否能够匹配“Expression”，属于顺序环视结构，是零宽度的，所以它只参与判断，即使匹配成功，也不会占有字符。 举例来说： 源字符串：abc 正则表达式：(?(?=a)\w{2}|\w) 当前位置右侧如果是字符“a” ，则匹配两个“\w”，否则匹配一个“\w”。 string test = "abc"; Regex reg = new Regex(@"(?(?=a)\w{2}|\w)"); MatchCollection mc = reg.Matches(test); foreach(Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 ab c 对于“(?(name)yes|no)”，如果命名捕获组“name”有捕获，则匹配“yes”子表达式，否则匹配“no”子表达式。这一语法最典型的一种应用是平衡组。 当然，以上两种语法中，“yes”和“no都是可以省略的，但同一时间只能省略一个，不能一起省略。平衡组的应用中就是省略了“no”子表达式。 2.2 平衡组的匹配原理 平衡组的匹配原理可以用堆栈来解释，先举个例子，再根据例子进行解释。 源字符串：a+(b*(c+d))/e+f-(g/(h-i))*j 正则表达式：\(((?\)|(?<-Open>\))|[^()])*(?(Open)(?!))\) 需求说明：匹配成对出现的()中的内容 string test = "a+(b*(c+d))/e+f-(g/(h-i))*j"; Regex reg = new Regex(@"\(((?\()|(?<-Open>\))|[^()])*(?(Open)(?!))\)"); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 下面来考察一下这个正则，为了阅读方便，写成宽松模式。 Regex reg = new Regex(@"\( #普通字符“(” ( #分组构造，用来限定量词“*”修饰范围 (?\() #命名捕获组，遇到开括弧’Open’计数加1 | #分支结构 (?<-Open>\)) #狭义平衡组，遇到闭括弧’Open’计数减1 | #分支结构 [^()]+ #非括弧的其它任意字符 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有’Open’，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); 对于一个嵌套结构而言，开始和结束标记都是确定的，对于本例开始为“(”，结束为“)”，那么接下来就是考察中间的结构，中间的字符可以划分为三类，一类是“(”，一类是“)”，其余的就是除这两个字符以外的任意字符。 那么平衡组的匹配原理就是这样的： 1. 先找到第一个“(”，作为匹配的开始 2. 在第1步以后，每匹配到一个“(”，就入栈一个Open捕获组，计数加1 3. 在第1步以后，每匹配到一个“)”，就出栈最近入栈的Open捕获组，计数减1 4. 后面的(?(Open)(?!))用来保证堆栈中Open捕获组计数是否为0，也就是“(”和“)”是配对出现的 5. 最后的“)”，作为匹配的结束 匹配过程（以下匹配过程，如果觉得难以理解，可以暂时跳过，先学会如何使用，再研究为什么可以这样用吧） 首先匹配第一个“(”，然后一直匹配，直到出现以下两种情况之一： a) 堆栈中Open计数已为0，此时再遇到“)” b) 匹配到字符串结束符 这时控制权交给(?(Open)(?!))，判断Open是否有匹配，由于此时计数为0，没有匹配，那么就匹配“no”分支，由于这个条件判断结构中没有“no”分支，所以什么都不做，把控制权交给接下来的“\)” 如果上面遇到的是情况a)，那么此时“\)”可以匹配接下来的“\)”，匹配成功；如果上面遇到的是情况b)，那么此时会进行回溯，直到“\)”匹配成功为止，否则报告整个表达式匹配失败。 由于.NET中的狭义平衡组“(?Expression)”结构，可以动态的对堆栈中捕获组进行计 数，匹配到一个开始标记，入栈，计数加1，匹配到一个结束标记，出栈，计数减1，最后再判断堆栈中是否还有Open，有则说明开始和结束标记不配对出现， 不匹配，进行回溯或报告匹配失败；如果没有，则说明开始和结束标记配对出现，继续进行后面子表达式的匹配。 需要对“(?!)”进行一下说明，它属于顺序否定环视，完整的语法是“(?!Expression)”。由于这里的“Expression”不存在，表示这里不是一个位置，所以试图尝试匹配总是失败的，作用就是在Open不配对出现时，报告匹配失败。 3 平衡组的应用及优化 平衡组提供了嵌套结构的匹配功能，这一创新是很让人兴奋的，因为此前正则对于嵌套结构的匹配是无能为力的。然而功能的强大，自然也带来了实现的复杂，正则书写得不好，可能会存在效率陷阱，甚至导致程序崩溃，这里介绍一些基本的优化方法。 3.1 单字符嵌套结构平衡组优化 单字符的嵌套结构指的是开始和结束标记都单个字符的嵌套结构，这种嵌套相对来说比较简单，优化起来也比较容易。先从上面提到的例子开始。 3.1.1 贪婪与非贪婪模式 上面给的例子是一种做了部分优化的常规写法，算作是版本1吧，它做了哪些优化呢，先来看下完全没有做过优化的版本0吧。 string test = "a+(b*(c+d))/e+f-(g/(h-i))*j"; Regex reg0 = new Regex(@"\( #普通字符“(” ( #分组构造，用来限定量词“*”修饰范围 (?\() #命名捕获组，遇到开括弧Open计数加1 | #分支结构 (?<-Open>\)) #狭义平衡组，遇到闭括弧Open计数减1 | #分支结构 . #任意字符 )*? #以上子串出现0次或任意多次，非贪婪模式 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg0.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 接下来对比一下版本1。 Regex reg1 = new Regex(@"\( #普通字符“(” ( #分组构造，用来限定量词“*”修饰范围 (?\() #命名捕获组，遇到开括弧’Open’计数加1 | #分支结构 (?<-Open>\)) #狭义平衡组，遇到闭括弧’Open’计数减1 | #分支结构 [^()]+ #非括弧的其它任意字符 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有’Open’，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); 看到区别了吗？版本1对版本0的改进主要有两个地方，一个是用“[^()]+”来代替“.”，另一个是用“*”来代替“*?”，也就是用贪婪模式来代替非贪婪模式。 如果使用了小数点“.”，那么为什么不能在分组内使用“.+”，后面又为什么不能用“*”呢？只要在上面的正则中使用并运行一下代码就可以知道了，匹配的结果是 (b*(c+d))/e+f-(g/(h-i)) 而不是 (b*(c+d)) (g/(h-i)) 因为无论是分组内使用“.+”还是后面使用“*”，都是贪婪模式，所以小数点会一直匹配下去，直到匹配到字符串的结束符才会停止，然后进行回溯匹配。为了取得正确结果，必须使用非贪婪模式“*?”。 这就类似于用“\(.+\)”去匹配“(abc)def(ghi)”一样，得到的结果是“(abc)def(ghi)”，而不是通常我们希望的“(abc)”和“(ghi)”。这时要用非贪婪模式“\(.+?\)”来得到正确的结果。 贪婪模式和非贪婪模式在匹配失败时，回溯的次数基本上是一样的，效率上没有多大区别，但是在匹配成功时，贪婪模式比非贪婪模式回溯的次数要少得多，效率要高得多。 对于“\(.+\)”如果既要得到正确的匹配结果，又要提高匹配效率，可以使用排除型捕获组+贪婪模式的方式，即“\([^()]+\)”。 版本0的平衡组也是一样，可以使用排除字符组“[^()]+”和贪婪模式“*”结合的方式，提高匹配效率，得到的就是版本1的平衡组。 相对于版本0，或许你会认为版本1的写法是很自然的，但是如果不了解这样一个演进过程，那么在字符序列嵌套结构平衡组优化时，就不会是那么自然的一件事了。 3.1.2 分支结构 接下来就是分支结构的优化。 语法：(Exp1|Exp2|Exp3) 因为分支结构的匹配规则是，从左向右尝试匹配，当左侧分支匹配成功时，就不再向右尝试。所以使用分支结构时，可以根据以下两条规则进行优化： 1. 尽量抽象出每个分支中的公共的部分，使最后的表达式中，每个分支共公部分尽可能的少，比如(this|that)的匹配效率是没有th(is|at)高的。 2. 在不影响匹配结果的情况下，把出现概率高的分支放在左侧，出现概率低的分支放右侧。 对于本例中的分支结构，已经没有公共部分，符合第一条规则，再看下第二条规则，开始标记“(”和结束标记“)”出现的概率基本上是一样的，而除“(”和“)”之外的字符出现的概率是比“(”和“)”出现的概率高的，所以应该把“[^()]+”分支放在左侧。 版本1由于采用了排除型捕获组，所以这三个分支没有包含关系，左右顺序对结果不会造成影响，可以调整顺序。因为这是已经经过优化的了，而如果是版本0，由“.”对“(”和“)”有包含关系，就不能调整顺序了。 在版本1基础上对分支结构进行优化后，就得到版本2。 string test = "a+(b*(c+d))/e+f-(g/(h-i))*j"; Regex reg2 = new Regex(@"\( #普通字符“(” ( #分组构造，用来限定量词“*”修饰范围 [^()]+ #非括弧的其它任意字符 | #分支结构 (?\() #命名捕获组，遇到开括弧Open计数加1 | #分支结构 (?<-Open>\)) #狭义平衡组，遇到闭括弧Open计数减1 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg2.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 3.1.3 捕获组 这里面主要涉及到了两个捕获组“(?\()”和“(?<-Open>\))”，而在平衡组的应用中，我是只关心它是否匹配了，而对于匹配到的内容是不关心的。对于这样一种需求，可以用以下方式实现 \( (?) \)(?<-Open>) “(?)”和“(?<-Open>)”这两种方式只是使用了命名捕获组，捕获的是一个位置，它总是能够匹配成功的，而匹配的内容是空的，分配的内存空间是固定的，可以有效的节省资源，这在单字符嵌套结构中并不明显，但是在字符序列嵌套结构中就比较明显了。 由于捕获组是直接跟在开始或结束标记之后的，所以只要开始或结束标记匹配成功，命名捕获组自然就会匹配成功，对于功能是没有任何影响的。 那么把标记和捕获组调整一下顺序是否可以呢？从功能上来讲，是可以的，但是匹配的流程上会有所不 同，先是捕获组匹配成功，入栈，然后再匹配标记，成功则继续匹配，不成功则该分支匹配失败，进行回溯，出栈，继续尝试下一分支。这样将增加许多入栈和出栈 的操作，对匹配效率是有影响的，所以这种方式并不可取。 在版本2基础上对捕获组进行优化后，就得到版本3。 string test = "a+(b*(c+d))/e+f-(g/(h-i))*j"; Regex reg3 = new Regex(@"\( #普通字符“(” ( #分组构造，用来限定量词“*”修饰范围 [^()]+ #非括弧的其它任意字符 | #分支结构 \( (?) #命名捕获组，遇到开括弧Open计数加1 | #分支结构 \) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg3.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 3.1.4 固化分组 看到有些人使用平衡组时用到了固化分组，但并不是所有人都明白固化分组的作用。 语法：(?>Expression) 用“\([^()]+\)”去匹配“(abc)”是可以匹配成功的，因为不用回溯，相对于“\(.+?\)”这种非贪婪模式，效率上有所提升，但是对于匹配失败的情况又如何呢？ 源字符串：(abc 正则表达式：\([^()]+\) 匹配中间过程这里不再详述，可以参考 NFA引擎匹配原理。 当“[^()]+”匹配到结束位置时，控制权交给“\)”，匹配失败，进行回溯，而由于前面使用了 “[^()]+”这种排除型字符组，所以可供回溯的位置，不会存在可以匹配“\)”的情况，这时候的回溯是完全没有意义的，只会浪费时间，但是由于传统 NFA引擎的特点，必须回溯所有可能之后才会报告匹配失败。 这时可以用固化分组来进行优化，一旦占有字符，就不再释放。也就是一旦占有，就不再记录可供回溯的可能。通常是与排除型字符组或顺序否定环视一起使用的。 优化后的正则表达式：\((?>[^()]+)\) 需要说明的一点，固化分组要作用于量词修饰的子表达式才有意义，对于“(?>abc)”由于内容是固定的，根本就不会产生回溯，所以使用固化分组是没有意义的。 对于平衡组的应用也是一样，如果分组构造中没有量词，那么使用固化分组就是没有意义的，比如版本0 Regex reg = new Regex(@"\((?>(?\()|(?<-Open>\))|.)*?(?(Open)(?!))\)"); 这种场景下使用固化分组就是没有意义的。 在版本3基础上对捕获组进行优化后，就得到版本4。 string test = "a+(b*(c+d))/e+f-(g/(h-i))*j"; Regex reg4 = new Regex(@"\( #普通字符“(” (?> #分组构造，用来限定量词“*”修饰范围 [^()]+ #非括弧的其它任意字符 | #分支结构 \( (?) #命名捕获组，遇到开括弧Open计数加1 | #分支结构 \) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg4.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 那么对于分组构造外层的“*”修饰的子表达式是否可以使用固化分组呢？答案是否定的，因为平衡组通常是要进行回溯才能最终匹配成功的，所以如果使用固化分组，不记录回溯可能的话，将无法得到正确结果。 3.1.5 进一步优化讨论 那么现在是不是已经完成优化了呢？是的，通常可以这么认为。在一般应用当中，这已经是从正则层面上来说，最优方案了。 但是在有些场景下，由于Compiled模式可以有效提高分支结构的匹配效率，所以对于源字符串比较复杂的情况，牺牲一些编译时间和内存，还是可以有效提高匹配效率的。 Regex reg5 = new Regex(@"\( #普通字符“(” (?> #分组构造，用来限定量词“*”修饰范围 [^()]+ #非括弧的其它任意字符 | #分支结构 \( (?) #命名捕获组，遇到开括弧Open计数加1 | #分支结构 \) (?<-Open>) #狭义平衡组，遇到闭括弧Open计数减1 )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 \) #普通闭括弧 ", RegexOptions.IgnorePatternWhitespace | RegexOptions.Compiled); MatchCollection mc = reg5.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n"; } //输出 (b*(c+d)) (g/(h-i)) 并不是所有应用场景都适合使用Compiled模式，比如上面这个例子里的源字符串如果是“a+(b*(c+d))/e+f-(g/(h-i))*j”，本身是非常简单的，使用Compiled模式将是得不偿失的。什么时候使用，要根据具体问题具体分析。 3.2 字符序列嵌套结构平衡组应用 字符序列嵌套结构的匹配，典型的应用就是html标签的提取。由于上面详细说明了单字符嵌套结构的优化过程，这里主要讲应用场景，个别涉及到优化的地方再讨论。 字符序列嵌套结构的匹配，举例来说，取div标签。源字符串如下： 0 1 2 3.2.1 提取最外层嵌套结构 提取最外层div标签，分析过程及构造方式与单字符嵌套结构差不多，只是捕获组等内容稍稍复杂点，先给出实现，再进行解释。 string test = @" 0 1 2 "; Regex reg = new Regex(@"(?is) #匹配模式，忽略大小写，“.”匹配任意字符 ]*> #开始标记“” (?> #分组构造，用来限定量词“*”修饰范围 ]*> (?) #命名捕获组，遇到开始标记，入栈，Open计数加1 | #分支结构 (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1 | #分支结构 (?:(?! )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 #结束标记“” ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n--------------------\n"; } //输出 0 -------------------- 1 2 -------------------- 在单字符嵌套结构中，使用排除型字符组“[^()]+”，与分组构造外的匹配优先量词“*” 达到贪婪模式匹配效果。在字符序列嵌套结构中，要排除的是一个子串，而不是简单的几个无序字符，所以不能使用排除型字符组，此时需要用到顺序否定环视来达 到这一目的。“(?:(?!”或“”的字符，这样的字符重复0次或任意多次。关于环视的细节，可以参考 正则基础之——环视。 而由于这种否定环视包含两种状态，所以在与固化分组结合使用时，会与后面的开始或结束标记形成包含关系，所以与固化分组一起使用时，不能放在左侧，只能放在右侧。 3.2.2 根据id提取div嵌套标签 根据id提取div时，改变的只是最外层div的结构，对内分组构造内部结构没有影响。但是因为id是变化的，所以正则需要动态生成。下面给出实现，源字符串和输出结果由于比较影响篇幅，就不再给出了。 string id = Regex.Escape(textBox1.Text); //动态获取id Regex reg = new Regex(@"(?is) ]*> #开始标记“” (?> #分组构造，用来限定量词“*”修饰范围 ]*> (?) #命名捕获组，遇到开始标记，入栈，Open计数加1 | #分支结构 (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1 | #分支结构 (?:(?! )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 #结束标记“ ” ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n--------------------\n"; } 在动态生成正则表达式时，由于输入的字符串中可能存在正则中有特殊意义的元字符，如果不进行转义的 话，正则解析时会抛出异常。所以用Regex.Escape(string str)来对动态输入的字符串进行转义处理，确保不会因动态输入的内容而抛异常。比如上面的例子，如果id不进行转义处理时，输入“abc(def”就会 抛“) 不足”这样的异常。 3.2.3 根据id提取任意嵌套标签 再扩展一下，根据id属性取任意嵌套标签。实现如下，具体实现细节和讨论参考 通过id获得一个html标签块。以下正则相对于帖子对个别细节做了调整。 string html = @" csdn "; Console.WriteLine(html); string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" }; string pattern = @"<([a-z]+)(?:(?!\bid\b)[^<>])*id=([""']?){0}\2[^>]*>(?><\1[^>]*>(?)|(?<-o>)|(?:(?!"; foreach (string id in idList) { Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(id)), RegexOptions.Singleline | RegexOptions.IgnoreCase); Console.WriteLine("--------begin {0}--------", id); if (match.Success) Console.WriteLine(match.Value); else Console.WriteLine("o(╯□╰)o"); Console.WriteLine("--------end {0}--------", id); } Console.ReadLine(); 3.2.4 根据标签取外层嵌套结构 根据动态输入的tag，取相应的最外层的嵌套标签，实现如下。 string html = @" csdn "; Console.WriteLine(html); string[] tagList = { "html", "body", "div", "table", "abc(def" }; string pattern = @"(?is) <({0})\b[^>]*> #开始标记“” (?> #分组构造，用来限定量词“*”修饰范围 <\1[^>]*> (?) #命名捕获组，遇到开始标记，入栈，Open计数加1 | #分支结构 (?<-Open>) #狭义平衡组，遇到结束标记，出栈，Open计数减1 | #分支结构 (?:(?! )* #以上子串出现0次或任意多次 (?(Open)(?!)) #判断是否还有'OPEN'，有则说明不配对，什么都不匹配 #结束标记“” "; foreach (string tag in tagList) { Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)), RegexOptions.Singleline | RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace); Console.WriteLine("--------begin {0}--------", tag); if (match.Success) Console.WriteLine(match.Value); else Console.WriteLine("o(╯□╰)o"); Console.WriteLine("--------end {0}--------", tag); } Console.ReadLine(); 3.2.5 条件判断结构扩展应用 条件判断结构的作用不只限于验证开始和结束标记是否配对，根据需求的不同，还可以有其它一些应用。比如在匹配div标签时，只取内部“存在”嵌套的外层标签。 string test = @" 0 1 2 "; Regex reg = new Regex(@"(?is) #匹配模式，忽略大小写，“.”匹配任意字符 ]*> #开始标记“” (?> #分组构造，用来限定量词“*”修饰范围 ]*> (?)(?) #遇到开始标记，入栈，Open和Mask计数各加1 | #分支结构 (?<-Open>) #遇到结束标记，出栈，Open计数减1 | #分支结构 (?:(?! )* #以上子串出现0次或任意多次 (?(Open)(?!))(?(Mask)|(?!)) #'OPEN'保证标记配对，'Mask'保证内部有嵌套 #结束标记“ ” ", RegexOptions.IgnorePatternWhitespace); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n--------------------\n"; } //输出 1 2 -------------------- 命名捕获组“(?)”只入栈不出栈，如果内部有嵌套，则“(?)”一定有匹配，此时匹配“(? (Mask)yes|no)”中的“yes”子表达式，也就是什么都不做；如果内部没有嵌套，则“(?)”没有匹配，此时匹配“(? (Mask)yes|no)”中的“no”子表达式，也就是报告匹配失败。这里省略的是“(?(Mask)yes|no)”中的“yes”子表达式。 对于匹配内部没有嵌套的标签，也就是最内层标签，可以使用上面的正则表达式，将“(?(Mask)yes|no)”中的“yes”子表达式设为“(?!)”，将“yes”子表达式省略。不过这样做有些浪费，完全可以用顺序否定环视来实现这一需求。 string test = @" 0 1 2 "; Regex reg = new Regex(@"(?is)]*>(?:(?!"); MatchCollection mc = reg.Matches(test); foreach (Match m in mc) { richTextBox2.Text += m.Value + "\n--------------------\n"; } //输出 0 -------------------- 2 --------------------， 4 平衡组应用范围探讨 平衡组可以用来匹配嵌套结构，这是一个很大的创新，但是否就认为平衡组适合用来解决任何嵌套问题呢？事实当然不会是这样。 比如下面这个需求，参考 请问一个正则表达式： 源字符串：1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 要求输出： Sum(1,Sum(2, Sum(3), 4), 5) Sum(2, Sum(3), 4) Sum(3) Sum(9,Sum(8, Sum(7), 6), 5) Sum(8, Sum(7), 6) Sum(7) 这种需求使用平衡组+递归的方式可以实现，实现代码如下： //递归方法 private void getNesting(string src, Regex reg, List list) { MatchCollection mc = reg.Matches(src); foreach(Match m in mc) { list.Add(m.Value); src = m.Value.Remove(m.Value.Length-1, 1); if (reg.IsMatch(src)) { getNesting(src, reg, list); } } } //调用 string test = "1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7"; List list = new List(); Regex reg = new Regex(@"(?i)Sum\((?>[^()]+|\((?)|\)(?<-o>))*(?(o)(?!))\)", RegexOptions.Compiled); getNesting(test, reg, list); foreach (string s in list) { richTextBox2.Text += s + "\n"; } 平衡组虽然可以实现要求，但除非你对效率没有要求，否则这一类需求通常是不适合用正则来实现的。因为平衡组并不是为这一功能而设计的，在实现过程中做了很多额外的尝试。效率上自然要大打折扣。 类似这样的需求，可以自己写有穷自动机来实现，毕竟正则也只不过是一种有穷自动机的实现而已。 string test = @"1+Sum(1,Sum(2, Sum(3), 4), 5)*4+5+Sum(9,Sum(8, Sum(7), 6), 5)*6+7 "; StringBuilder nesting = new StringBuilder(64); List list = new List(); List groups = new List(); int level = 0; int state = 0; foreach (char c in test) { if ((c == 'S' || c == 's') && state == 0) { state = 1; nesting.Append(c); } else if ((c == 'U' || c == 'u') && state == 1) { state = 2; nesting.Append(c); } else if ((c == 'M' || c == 'm') && state == 2) { state = 3; nesting.Append(c); } else if (c == '(' && state == 3) { state = 0; level++; } else { state = 0; nesting = new StringBuilder(64); } if (c == ')') { if (level > 0) { level--; groups.Add(list[level].ToString() + c); list.Remove(list[level]); } } if (level > 0) { while(list.Count < level) { list.Add(nesting); } for (int i = 0; i < level; i++) { list[i].Append(c); } } } foreach (string s in groups) { Console.WriteLine(s); } Console.ReadLine(); 5 其它声明 到此为止，平衡组的基本应用场景和性能调优都已讨论完了，本文对于平衡组匹配原理讲得相对比较少， 以应用场景分析为主。主要是因为能够使用平衡组来解决问题的人，通常已经对正则的基本语法有了一定程度的理解。而如果事实确实如此，那么对于平衡组的理 解，也是水到渠成的了。 以上正则实现中，采用的多是宽松排列模式，主要是为了加注释，使得阅读清晰。而宽松排列模式通常用于教学目的，实际使用过程中，如果不是为了可读性的考虑，可以去掉这些注释和宽松排列模式参数。 上面给出了很多平衡组的应用，这里需要说明的是，我提供的只是一些方法和思路，从来不推荐把正则当 作模板来用，虽然有些时候，它确实可以当作模板来用，但我还是希望你能真正的掌握这些语法规则之后，再去应用平衡组。当然，如果你认为能用就行，不需要知 道为什么可以这样用，只是把它当作模板来套，我也无话可说。 |