正则表达式进阶学习（一）：环视、捕获分组与后向引用

一、环视（零宽断言）

理论部分

环视（零宽断言）是一种用于匹配位置而非字符的正则表达式技术。它的核心特点是：不消耗字符，只检查某个位置前后是否符合特定的条件。可以理解为，环视是在匹配前“先看一看”，检查当前位置前后是否满足条件，然后再决定是否合适开始匹配。由于不消耗字符，环视可以精确控制匹配的位置，而不会干扰实际的匹配内容。

环视分为两种基本类型：顺序环视和逆序环视。

环视的基本类型

环视类型	描述	正则表达式
肯定顺序环视	在当前位置的后边（顺序），必须有条件给出的字符串	(?=expression)
否定顺序环视	在当前位置的后边（顺序），不能有条件给出的字符串	(?!expression)
肯定逆序环视	在当前位置的前边（逆序），必须有条件给出的字符串	(?<=expression)
否定逆序环视	在当前位置的前边（逆序），不能有条件给出的字符串	(?<!expression)

环视的优势

环视技术在处理复杂文本时有显著优势：

• 精确控制位置：环视不消耗字符，能精确控制匹配的位置，避免不必要的字符干扰。
• 构建复杂模式：通过组合顺序和逆序环视，可以在特定上下文中进行复杂的匹配操作。
• 提高效率：环视避免了不必要的字符匹配，优化了正则表达式的执行效率，尤其适用于大规模文本处理。

---

实际应用

假设我们从 ifconfig 命令的输出中提取 IP 地址。我们可以使用以下正则表达式：

(?<=inet )(.*?)(?= netmask)

解释：

• (?<=inet )：肯定逆序环视，确保匹配的前面是 "inet "。
• (.*?)：非贪婪匹配任意字符，直到遇到下一个模式。
• (?= netmask)：肯定顺序环视，确保匹配的后面是 " netmask"。

该正则表达式能够准确地提取 IP 地址，而不包括 “inet” 和 “netmask”。这种匹配方式不仅高效，而且非常灵活，适用于各种类似的上下文提取任务。

---

二、捕获分组与后向引用

理论部分

1. 分组的概念

分组是正则表达式中的一种机制，通过使用圆括号 () 将一个子表达式封装成一个整体，从而能够在匹配过程中独立地引用或操作该部分内容。简而言之，分组让我们能够捕获并单独处理表达式中的特定部分。

理解分组最好的方式是通过示例。假设我们想匹配两个连续出现的“hello”字符串，而不仅仅是“helloo”。通过正则表达式 hello{2}，我们只能匹配到“helloo”，因为 {2} 只影响其前面的字符。但是，如果我们希望匹配“hellohello”，就需要将“hello”当作一个整体来看待。这时，我们可以用分组来实现：

(hello){2}

在这个例子中，(hello) 表示“hello”作为一个分组，而 {2} 则表示这个分组要连续出现两次。这样，正则表达式就能够匹配到“hellohello”。

2. 分组嵌套

分组不仅可以是独立的子表达式，还可以通过嵌套来构造更复杂的匹配模式。例如：

(ab(ef){2})

在这个例子中：

• 最外层的圆括号 () 将整个“ab(ef){2}”作为一个分组。
• 内部的 (ef) 表示“ef”应该连续出现两次。

这条正则表达式会匹配到“abefef”。分组的嵌套使我们能够精细控制每一部分的匹配。

3. 后向引用的概念

后向引用是指在正则表达式中，引用之前定义的捕获分组内容。通过后向引用，我们可以在后续的匹配中使用已匹配的部分内容。

举个例子，我们有以下两行文本：

Hello world
Hiiii world

如果我们用正则表达式 H.{4}，它会匹配“Hello”和“Hiiii”两行，因为 .{4} 可以匹配任意四个字符。

但假设我们有个新需求：只匹配“world”前后相同的单词。也就是说，要求“world”前后都是“Hello”或“Hiiii”。为了满足这个需求，我们可以使用后向引用：

(H.{4})\s+world\s+\1

在这个正则中：

• (H.{4}) 是第一个分组，匹配“Hello”或“Hiiii”。
• \1 是后向引用，它引用第一个分组的内容，要求“world”后面跟随相同的单词。

这样，只有在“world”前后单词一致时，匹配才会成功。

4. 后向引用的具体操作

当正则表达式中有多个分组时，后向引用会按分组的顺序引用相应的内容。例如：

(a(bc){2})

这里有两个分组：

• a 是第一个分组，匹配字母 “a”。
• (bc) 是第二个分组，匹配“bc”并要求其连续出现两次。

如果后续的正则表达式中使用 \1 和 \2，它们将分别引用第一个和第二个分组的内容。

5. 嵌套分组与后向引用

在实际应用中，分组可以嵌套，因此后向引用的编号也会随之变化。例如：

((ab)(ef){2})

这条正则有三个分组：

1. ((ab)(ef){2})：最外层的分组，匹配“abefef”。
2. (ab)：第二个分组，匹配“ab”。
3. (ef)：第三个分组，匹配“ef”并要求连续出现两次。

在这种情况下，\1 引用整个“abefef”，\2 引用“ab”，而\3 引用“ef”。

实际应用

1. 匹配重复出现的字符串

假设我们需要匹配一行文本中重复出现的字符串，并且中间可以有任意数量的空格。可以使用以下正则表达式：

([a-z]+)\s+\b\1\b

解释：

• ([a-z]+)：捕获一个由小写字母组成的单词（第一个分组）。
• \s+：匹配一个或多个空白字符（空格或制表符）。
• \b：单词边界，确保匹配的是独立的单词。
• \1：后向引用，确保匹配的第二个单词与第一个单词完全相同。

这个正则表达式用于匹配两个相同的小写单词，中间由空格或其他空白字符分隔。

2. 匹配多次重复的字符串

如果需要匹配一个模式多次出现，可以使用以下正则表达式：

([a-z]+)([ \t]+\<\1\>)+

解释：

• ([a-z]+)：匹配并捕获一个由小写字母组成的单词。
• [ \t]：匹配一个或多个空白字符。
• \<\1\>：后向引用第一个捕获分组。

通过这种方式，可以匹配在文本中多次重复的特定字符串，并支持更复杂的匹配任务。

---

总结

环视（零宽断言）和捕获分组是正则表达式中两种至关重要的技术，它们各自在不同的应用场景中提供了精确控制和高效匹配的能力。

• 环视 通过不消耗字符的方式，能够精确地限定匹配位置，避免了不必要的字符干扰，特别适用于需要根据上下文条件来提取信息的场景。顺序环视和逆序环视的结合使得我们能够在不修改文本的前提下，只关注特定位置前后是否符合某些模式，从而提升了匹配的灵活性和准确性。

• 捕获分组 通过将正则表达式中的部分内容封装在分组内，使得我们可以在后续的匹配中引用这些内容。这种方式不仅有助于构建更复杂的匹配模式，还能够有效地进行重复模式的匹配，特别是在处理多次出现的相同数据时，极大地提高了正则表达式的应用范围和效率。

总的来说，环视和捕获分组是正则表达式中不可或缺的工具，它们让我们能够精确提取目标内容，避免冗余匹配，从而在数据提取、文本处理、日志分析等领域发挥重要作用。通过合理运用这两种技术，可以大大提升正则表达式的性能和准确度，使其在各种复杂的文本匹配任务中得以高效执行。