1 概述
這或許會(huì)是一個(gè)讓人迷惑，甚至感到混亂的話(huà)題，但也正因?yàn)槿绱?，才有了討論的必要?BR>在正則中，一些具有特殊意義的字符，或是字符序列，被稱(chēng)作元字符，如“?”表示被修飾的子表達(dá)式匹配0次或1次，“(?i)”表示忽略大小寫(xiě)的匹配模式等等。而當(dāng)這些元字符被要求匹配其本身時(shí)，就要進(jìn)行轉(zhuǎn)義處理了。
不同的語(yǔ)言或應(yīng)用場(chǎng)景下，正則定義方式、元字符出現(xiàn)的位置不同，轉(zhuǎn)義的方式也是林林總總，不一而同。
2 .NET正則中的字符轉(zhuǎn)義
2.1 .NET正則中的轉(zhuǎn)義符
絕大多數(shù)語(yǔ)言中，“\”都被作為轉(zhuǎn)義符，用來(lái)轉(zhuǎn)義一些具有特殊意義的字符或字符序列，比如“\n”表示換行，“\t”表示水平制表符等。而這樣的轉(zhuǎn)義，應(yīng)用到正則中，又會(huì)有一些意想不到的變化。
話(huà)題由C#中一個(gè)正則問(wèn)題引出
復(fù)制代碼 代碼如下:
string[] test = new string[]{"\\", "\\\\"};
Regex reg = new Regex("^\\\\$");
foreach (string s in test)
{
richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配結(jié)果： " + reg.IsMatch(s) + "\n";
}
/*--------輸出--------
源字符串： \&; 匹配結(jié)果： True
源字符串： \\ 匹配結(jié)果： False
*/
對(duì)于這個(gè)結(jié)果，或許有人會(huì)感到迷惑，字符串中的“\\”不是代表一個(gè)經(jīng)過(guò)轉(zhuǎn)義的“\”字符嗎？而“\\\\”不就應(yīng)該代表兩個(gè)經(jīng)過(guò)轉(zhuǎn)義的“\”字符嗎？那么上面正則匹配的結(jié)果應(yīng)該是第一個(gè)為False，第二個(gè)為T(mén)rue才對(duì)??？
對(duì)于這一問(wèn)題，直接解釋或許不太容易理解，還是換種方式來(lái)解釋吧。
比如要匹配的字符是這樣的
string test = "(";
那么正則如何寫(xiě)呢？因?yàn)椤?”在正則中是有特殊意義的，所以寫(xiě)正則時(shí)必須對(duì)它進(jìn)行轉(zhuǎn)義，也就是“\(”，而在字符串中，要使用“\\” 來(lái)表示“\”本身，也就是
Regex reg = new Regex("^\\($");
這個(gè)如果理解了，那再把“(”換回“\”，同樣道理，在字符串中，要使用“\\” 來(lái)表示“\”本身，也就是
Regex reg = new Regex("^\\\\$");
通過(guò)這樣的分析，可以看出，其實(shí)在以字符串形式聲明的正則中，“\\\\”匹配的實(shí)際上就是單獨(dú)的一個(gè)“\”字符?？偨Y(jié)一下它們之間的關(guān)系：
輸出到控制臺(tái)或界面的字符串：\
程序中聲明的字符串：string test = "\\";
程序中聲明的正則：Regex reg = new Regex("^\\\\$");
這樣解釋是不是已經(jīng)可以理解了，那么是不是感覺(jué)這樣很笨拙？是的，在程序中以字符串形式聲明的正則，涉及到轉(zhuǎn)義符時(shí)就是這樣笨拙的。
所以在C#中，還提供了另一種字符串聲明方式，在字符串前加個(gè)“@”，就可以忽略轉(zhuǎn)義。
復(fù)制代碼 代碼如下:
string[] test = new string[] { @"\", @"\\" };
Regex reg = new Regex(@"^\\$");
foreach (string s in test)
{
richTextBox2.Text += "源字符串： " + s.PadRight(5, ' ') + "匹配結(jié)果： " + reg.IsMatch(s) + "\n";
}
/*--------輸出--------
源字符串： \&; 匹配結(jié)果： True
源字符串： \\ 匹配結(jié)果： False
*/
這樣就簡(jiǎn)潔多了，也符合通常的理解。
但同時(shí)也帶來(lái)另一個(gè)問(wèn)題，就是雙引號(hào)的轉(zhuǎn)義處理。在普通的字符串聲明中，可以用“\””對(duì)雙引號(hào)進(jìn)行轉(zhuǎn)義。
string test = "a href=\"www.test.com\">only a test/a>";
但是在字符串前加了“@”后，“\”會(huì)被識(shí)別為“\”字符本身，這樣就不能用“\””對(duì)雙引號(hào)進(jìn)行轉(zhuǎn)義了，需要用“”””對(duì)雙引號(hào)進(jìn)行轉(zhuǎn)義。
string test = @"a href=""www.test.com"">only a test/a>";
而在VB.NET中，正則的定義只有一種形式，與C#中加了“@”后的定義方式是一致的。
復(fù)制代碼 代碼如下:
Dim test As String() = New String() {"\", "\\"}
Dim reg As Regex = New Regex("^\\$")
For Each s As String In test
RichTextBox2.Text += "源字符串：" s.PadRight(5, " "c) "匹配結(jié)果：" reg.IsMatch(s) vbCrLf
Next
'--------輸出--------
'源字符串：\&; 匹配結(jié)果：True
'源字符串：\\ 匹配結(jié)果：False
'--------------------
2.2 .NET正則中需要轉(zhuǎn)義的元字符
在MSDN中，以下字符作為正則中的元字符，在匹配其本身時(shí)，需要對(duì)其進(jìn)行轉(zhuǎn)義
. $ ^ { [ ( | ) * + ? \
但實(shí)際應(yīng)用中，還要根據(jù)實(shí)際情況來(lái)判斷，以上字符可能不需要轉(zhuǎn)義，也可能不止以上字符需要轉(zhuǎn)義。
在正常的正則書(shū)寫(xiě)過(guò)程中，以上字符的轉(zhuǎn)義通常都能被編寫(xiě)人員正常處理，但是在動(dòng)態(tài)生成正則時(shí)，就需要格外的注意，否則變量中包含元字符時(shí)，動(dòng)態(tài)生成的正則在編譯時(shí)可能會(huì)拋異常。好在.NET中提供了Regex.Escape方法來(lái)處理這一問(wèn)題。比如根據(jù)動(dòng)態(tài)獲取的id來(lái)提取相應(yīng)的div標(biāo)簽內(nèi)容。
string id = Regex.Escape(textBox1.Text);
Regex reg = new Regex(@"(?is)div(?:(?!id=).)*id=(['""]?)" + id + @"\1[^>]*>(?>div[^>]*>(?o>)|/div>(?-o>)|(?:(?!/?div\b).)*)* (?(o)(?!))/div>");
如果不做轉(zhuǎn)義處理，那么動(dòng)態(tài)獲取的id如果為“abc(def”這種形式，程序運(yùn)行過(guò)程中就會(huì)拋出異常了。
2.3 .NET正則中字符組的轉(zhuǎn)義
在字符組[]中，元字符通常是不需要轉(zhuǎn)義的，甚至于“[”也是不需要轉(zhuǎn)義的。
復(fù)制代碼 代碼如下:
string test = @"the test string: . $ ^ { [ ( | ) * + ? \";
Regex reg = new Regex(@"[.$^{[(|)*+?\\]");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------輸出--------
.
$
^
{
[
(
)
*
+
?
\
*/
但是在正則書(shū)寫(xiě)時(shí)，字符組中的“[”還是建議使用“\[”對(duì)其轉(zhuǎn)義的，正則本身就已經(jīng)是非常抽象，可讀性很低的了，如果在字符組中再摻雜進(jìn)這樣不經(jīng)轉(zhuǎn)義的“[”，會(huì)使得可讀性更差。而且在出現(xiàn)不正確的嵌套時(shí)，可能會(huì)導(dǎo)致正則編譯異常，以下正則在編譯時(shí)就會(huì)拋異常的。
Regex reg = new Regex(@"[.$^{[(]|)*+?\\]");
然而，.NET的字符組中，是支持集合減法的，在這種正常語(yǔ)法形式下，是允許字符組嵌套的。
復(fù)制代碼 代碼如下:
string test = @"abcdefghijklmnopqrstuvwxyz";
Regex reg = new Regex(@"[a-z-[aeiou]]+");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n";
}
/*--------輸出--------
bcd
fgh
jklmn
pqrst
vwxyz
*/
這種用法可讀性很差，應(yīng)用也很少見(jiàn)，即使有這種需求也可以通過(guò)其它方式實(shí)現(xiàn)，了解一下即可，不必深究。
話(huà)題再回到轉(zhuǎn)義上，字符組中必須轉(zhuǎn)義的只有“\”，而“[”和“]”出現(xiàn)在字符組中時(shí)，也是建議一定做轉(zhuǎn)義處理的。另外有兩個(gè)字符“^”和“-”，出現(xiàn)在字符組中特定位置時(shí)，如果要匹配其本身，也是需要轉(zhuǎn)義的。
“^”出現(xiàn)在字符組開(kāi)始位置，表示排除型字符組，“[^Char]”也就是匹配除字符組中包含的字符之外的任意一個(gè)字符，比如“[^0-9]”表示除數(shù)字外的任意一個(gè)字符。所以在字符組中，要匹配“^”字符本身，要么不放在字符組開(kāi)始位置，要么用“\^”進(jìn)行轉(zhuǎn)義。
Regex reg1 = new Regex(@"[0-9^]");
Regex reg2 = new Regex(@"[\^0-9]");
這兩種方式都表達(dá)匹配任意一個(gè)數(shù)字或普通字符“^”。
至于“-”在字符組中特殊性，舉一個(gè)例子。
復(fù)制代碼 代碼如下:
string test = @"$";
Regex reg = new Regex(@"[#-*%]");
richTextBox2.Text = "匹配結(jié)果：" + reg.IsMatch(test);
/*--------輸出--------
匹配結(jié)果：True
*/
正則表達(dá)式中明明沒(méi)有“$”，為什么匹配結(jié)果會(huì)是“True”呢？
[]支持用連字符“-”連接兩個(gè)字符，來(lái)表示一個(gè)字符范圍。需要注意的是，“-”前后的兩個(gè)字符是有順序的，在使用相同的編碼時(shí)，后面的字符碼位應(yīng)大于或等于前面字符的碼位。
復(fù)制代碼 代碼如下:
for (int i = '#'; i = '*'; i++)
{
richTextBox2.Text += (char)i + "\n";
}
/*--------輸出--------
#
$
%
'
(
)
*
*/
由于“#”和“*”符合要求，“[#-*]”可以表示一個(gè)字符范圍，其中就包含了字符“$”，所以上面的正則是可以匹配“$”的，如果只是把“-”當(dāng)作一個(gè)普通字符處理，那么要么換個(gè)位置，要么把“-”轉(zhuǎn)義。
Regex reg1 = new Regex(@"[#*%-]");
Regex reg2 = new Regex(@"[#\-*%]");
這兩種方式都表示匹配字符組中列舉的字符中的任意一個(gè)。
在字符組中，還有一個(gè)比較特殊的轉(zhuǎn)義字符，“\b”出現(xiàn)在正則表達(dá)式中一般位置時(shí)，表示單詞邊界，也就是一側(cè)為組成單詞的字符，另一側(cè)不是；而當(dāng)“\b”出現(xiàn)在字符組中時(shí)，表示的是退格符，與普通字符串中出現(xiàn)的“\b”意義是一樣的。
同樣的，還有一個(gè)容易被忽視，而且經(jīng)常被忽視的轉(zhuǎn)義符“|”，當(dāng)“|”出現(xiàn)在正則表達(dá)式中一般位置時(shí)，表示左右兩側(cè)“或”的關(guān)系；而當(dāng)“|”出現(xiàn)在字符組中時(shí)，它僅僅表示“|”字符本身，沒(méi)有任何特殊意義，所以如果不是要匹配“|”本身，而試圖在字符組中使用“|”時(shí)，是錯(cuò)誤的。比如正則表達(dá)式“[a|b]”表示的是“a”、“b”、“|”中的任意一個(gè)，而不是“a”或“b”。
2.4 .NET正則應(yīng)用中不可見(jiàn)字符轉(zhuǎn)義處理
對(duì)于一些不可見(jiàn)字符，要在字符串中表示時(shí)，需要用轉(zhuǎn)義字符，比較常見(jiàn)的有“\r”、“\n”、“\t”等等，而這些字符在正則中應(yīng)用，就變得有些神奇了，先看一段代碼。
復(fù)制代碼 代碼如下:
string test = "one line. \n another line.";
ListRegex> list = new ListRegex>();
list.Add(new Regex("\n"));
list.Add(new Regex("\\n"));
list.Add(new Regex(@"\n"));
list.Add(new Regex(@"\\n"));
foreach (Regex reg in list)
{
richTextBox2.Text += "正則表達(dá)式：" + reg.ToString();
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += " 匹配內(nèi)容：" + m.Value + " 匹配起始位置：" + m.Index + " 匹配長(zhǎng)度：" + m.Length;
}
richTextBox2.Text += " 匹配總數(shù)：" + reg.Matches(test).Count + "\n----------------\n";
}
/*--------輸出--------
正則表達(dá)式：
匹配內(nèi)容：
匹配起始位置：10 匹配長(zhǎng)度：1 匹配總數(shù)：1
----------------
正則表達(dá)式：\n 匹配內(nèi)容：
匹配起始位置：10 匹配長(zhǎng)度：1 匹配總數(shù)：1
----------------
正則表達(dá)式：\n 匹配內(nèi)容：
匹配起始位置：10 匹配長(zhǎng)度：1 匹配總數(shù)：1
----------------
正則表達(dá)式：\\n 匹配總數(shù)：0
----------------
*/
可以看到，前三種寫(xiě)法，輸出的正則雖不同，但執(zhí)行結(jié)果卻是完全相同的，只有最后一種是沒(méi)有匹配的。
正則表達(dá)式一Regex("\n")，其實(shí)就是以普通字符串形式來(lái)聲明正則的，與用Regex("a")來(lái)匹配字符“a”是同樣的道理，是不經(jīng)過(guò)正則引擎轉(zhuǎn)義的。
正則表達(dá)式二Regex("\\n")，是以正則表達(dá)式形式來(lái)聲明正則的，正如正則中的“\\\\”就等同于字符串中的“\\”一樣，正則中的“\\n”就等同于字符串中的“\n”，是經(jīng)過(guò)正則引擎轉(zhuǎn)義的。
正則表達(dá)式三Regex(@"\n")，與正則表達(dá)式二等價(jià)，是字符串前加“@”的寫(xiě)法。
正則表達(dá)式四Regex(@"\\n")，其實(shí)這個(gè)表示的是字符“\”后面跟一個(gè)字符“n”，是兩個(gè)字符，這個(gè)在源字符串中自然是找不到匹配項(xiàng)的。
這里需要特別注意的還是“\b”，不同的聲明方式，“\b”的意義是不同的。
復(fù)制代碼 代碼如下:
string test = "one line. \n another line.";
ListRegex> list = new ListRegex>();
list.Add(new Regex("line\b"));
list.Add(new Regex("line\\b"));
list.Add(new Regex(@"line\b"));
list.Add(new Regex(@"line\\b"));
foreach (Regex reg in list)
{
richTextBox2.Text += "正則表達(dá)式：" + reg.ToString() + "\n";
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += "匹配內(nèi)容：" + m.Value + " 匹配起始位置：" + m.Index + " 匹配長(zhǎng)度：" + m.Length + "\n";
}
richTextBox2.Text += "匹配總數(shù)：" + reg.Matches(test).Count + "\n----------------\n";
}
/*--------輸出--------
正則表達(dá)式：line_
匹配總數(shù)：0
----------------
正則表達(dá)式：line\b
匹配內(nèi)容：line 匹配起始位置：4 匹配長(zhǎng)度：4
匹配內(nèi)容：line 匹配起始位置：20 匹配長(zhǎng)度：4
匹配總數(shù)：2
----------------
正則表達(dá)式：line\b
匹配內(nèi)容：line 匹配起始位置：4 匹配長(zhǎng)度：4
匹配內(nèi)容：line 匹配起始位置：20 匹配長(zhǎng)度：4
匹配總數(shù)：2
----------------
正則表達(dá)式：line\\b
匹配總數(shù)：0
----------------
*/
正則表達(dá)式一Regex("line\b")，這里的“\b”是退格符，是不經(jīng)過(guò)正則引擎轉(zhuǎn)義的。源字符串中是沒(méi)有的，所以匹配結(jié)果為0。
正則表達(dá)式二Regex("line\\b")，是以正則表達(dá)式形式來(lái)聲明正則的，這里的“\\b”是單詞邊界，是經(jīng)過(guò)正則引擎轉(zhuǎn)義的。
正則表達(dá)式三Regex(@"line\b")，與正則表達(dá)式二等價(jià)，指單詞邊界。
正則表達(dá)式四Regex(@"line\\b")，其實(shí)這個(gè)表示的是字符“\”后面跟一個(gè)字符“b”，是兩個(gè)字符，這個(gè)在源字符串中自然是找不到匹配項(xiàng)的。
2.5 .NET正則應(yīng)用中其它轉(zhuǎn)義處理
.NET正則應(yīng)用中還有一些其它轉(zhuǎn)義方式，雖然用得不多，但也順便提一下吧。
需求：把字符串中“”和“>”之間的數(shù)字前加上“$”
復(fù)制代碼 代碼如下:
string test = "one test 123>, another test 321>";
Regex reg = new Regex(@"(\d+)>");
string result = reg.Replace(test, "$$1>");
richTextBox2.Text = result;
/*--------輸出--------
one test $1>, another test $1>
*/
也許你會(huì)驚奇的發(fā)現(xiàn)，替換結(jié)果不是在數(shù)字前加了“$”，而是將所有數(shù)字都替換為“$1”了。
為什么會(huì)這樣呢，這是因?yàn)樵谔鎿Q結(jié)構(gòu)中，“$”是有特殊意義的，在它后面接數(shù)字，表示對(duì)對(duì)應(yīng)編號(hào)捕獲組匹配結(jié)果的引用，而有些情況下，需要在替換結(jié)果中出現(xiàn)“$”字符本身，但它后面又跟了數(shù)字，這時(shí)候就需要用“$$”對(duì)它進(jìn)行轉(zhuǎn)義了。而上面這個(gè)例子卻恰恰是由于這種轉(zhuǎn)義效果導(dǎo)致出現(xiàn)了異常結(jié)果，要規(guī)避這一問(wèn)題，可以使替換結(jié)果中不出現(xiàn)對(duì)捕獲組的引用。
string test = "one test 123>, another test 321>";
Regex reg = new Regex(@"(?=)(?=\d+>)");
string result = reg.Replace(test, "$");
richTextBox2.Text = result;
/*--------輸出--------
one test $123>, another test $321>
*/
3 JavaScript及Java中的轉(zhuǎn)義符
JavaScript及Java中正則的轉(zhuǎn)義符處理，以字符串形式聲明時(shí)，基本上都是與.NET中一致的，簡(jiǎn)單的介紹一下。
在JavaScript中，以字符串形式聲明正則，與C#中的表現(xiàn)是一樣的，同樣會(huì)顯得很笨拙。
復(fù)制代碼 代碼如下:
script type="text/javascript">
var data = ["\\", "\\\\"];
var reg = new RegExp("^\\\\$", "");
for(var i=0;idata.length;i++)
{
document.write("源字符串：" + data[i] + " 匹配結(jié)果：" + reg.test(data[i]) + "br />");
}
/script>
/*--------輸出--------
源字符串：\ 匹配結(jié)果：true
源字符串：\\ 匹配結(jié)果：false
*/
JavaScript中雖然沒(méi)有提供C#中這種“@”方式的字符串聲明方式，但提供了另一種正則表達(dá)式的專(zhuān)有聲明方式。
復(fù)制代碼 代碼如下:
script type="text/javascript">
var data = ["\\", "\\\\"];
var reg = /^\\$/;
for(var i=0;idata.length;i++)
{
document.write("源字符串：" + data[i] + " 匹配結(jié)果：" + reg.test(data[i]) + "br />");
}
/script>
/*--------輸出--------
源字符串：\ 匹配結(jié)果：true
源字符串：\\ 匹配結(jié)果：false
*/
JavaScript中
var reg = /Expression/igm;
這種聲明方式，一樣可以簡(jiǎn)化含有轉(zhuǎn)義符的正則。
當(dāng)然，以這種形式聲明正則時(shí)，“/”自然也就成為了元字符，正則中出現(xiàn)這一字符時(shí)，必須進(jìn)行轉(zhuǎn)義處理。比如匹配鏈接中域名的正則
var reg = /http:\/\/:([^\/]+)/ig;
很不幸的是，在Java中，目前只提供了一種正則聲明方式，也就是字符串形式的聲明方式
復(fù)制代碼 代碼如下:
String test[] = new String[]{"\\", "\\\\" };
String reg = "^\\\\$";
for(int i=0;itest.length ;i++)
{
System.out.println("源字符串：" + test[i] + " 匹配結(jié)果：" + Pattern.compile(reg).matcher(test[i]).find());
}
/*--------輸出--------
源字符串：\&; 匹配結(jié)果：true
源字符串：\\ 匹配結(jié)果：false
*/
只能期待Java的后續(xù)版本能提供這方面的優(yōu)化了。
