.NET正则基础之平衡组,


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(?<Close-Open>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:(?<name>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:(?<chars>[a-z]{2})+

命名捕获组chars最终捕获的是什么?

string test = "abcdefghijkl";
Regex reg = new Regex(@"(?<chars>[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(@"(?<chars>[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(@"(?<chars>[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:(?<Close-Open>Expression)

其中“Close”是命名捕获组的组名,也就是“(?<name>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)(?!))\)

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)(?!))\)");
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
                                (?<Open>\()         #命名捕获组,遇到开括弧'Open'计数加1
                            |                       #分支结构
                                (?<-Open>\))        #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“(?<Close-Open>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
                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                (?<-Open>\))        #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
                                (?<Open>\()         #命名捕获组,遇到开括弧'Open'计数加1
                            |                       #分支结构
                                (?<-Open>\))        #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
                                (?<Open>\()         #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                (?<-Open>\))        #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“(?<Open>\()”和“(?<-Open>\))”,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>)

\)(?<-Open>)

“(?<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
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-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)(?!))\)");

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
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-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
                                \(  (?<Open>)       #命名捕获组,遇到开括弧Open计数加1
                            |                       #分支结构
                                \)  (?<-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:

<div id="0">
    0
</div>
<div id="1">
    1
    <div id="2">
        2
</div>
</div>

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 = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?isx)                      #匹配模式,忽略大小写,“.”匹配任意字符
                      <div[^>]*>                      #开始标记“<div...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符
                          )*                          #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
                      </div>                          #结束标记“</div>”
                      ");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
    0
</div>
--------------------
<div id="1">
    1
    <div id="2">
        2
    </div>
</div>
--------------------
*/

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。“(?:(?!</?div\b).)*”表示的是所在位置右侧不是“<div…>”或“</div>”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(@"(?isx)
                      <div(?:(?!(?:id=|</?div\b)).)*id=(['""]?)" + id  + @"\1[^>]*>        #开始标记“<div...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)   #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </div>  (?<-Open>)      #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?div\b).)*      #右侧不为开始或结束标记的任意字符
                          )*                          #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
                      </div>                          #结束标记“</div>”
                     ");
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 就是通过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 = @"
<html>
<body>
<div id=""div1"">
    <div id=""div2"" style=""background:Red;"">
        <div id=""div3"">
            <table id=""table1"">
                <tr>
                    <td>
                        <div id=""div4"" style=""width:100px""></div>
                    </td>
                </tr>
            </table>
        </div>
    </div>
    <div id=div5>
        <a href=""http://www.csdn.net"">csdn</a>
    </div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] idList = { "div1", "div2", "div3", "div4", "table1", "div5", "abc(def" };
string pattern = @"<([a-z]+)(?:(?!\bid\b)[^<>])*id=([""']?){0}\2[^>]*>(?><\1[^>]*>(?<o>)|</\1>(?<-o>)|(?:(?!</?\1).)*)*(?(o)(?!))</\1>";
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 = @"
<html>
<body>
<div id=""div1"">
    <div id=""div2"" style=""background:Red;"">
        <div id=""div3"">
            <table id=""table1"">
                <tr>
                    <td>
                        <div id=""div4"" style=""width:100px""></div>
                    </td>
                </tr>
            </table>
        </div>
    </div>
    <div id=div5>
        <a href=""http://www.csdn.net"">csdn</a>
    </div>
</div>
<img src=""http://www.csdn.net/Images/logo_csdn.gif""/>
</body>
</html>";
Console.WriteLine(html);
string[] tagList = { "html", "body", "div", "table", "abc(def" };
string pattern = @"(?isx)
                      <({0})\b[^>]*>                  #开始标记“<tag...>”
                          (?>                         #分组构造,用来限定量词“*”修饰范围
                              <\1[^>]*>  (?<Open>)    #命名捕获组,遇到开始标记,入栈,Open计数加1
                          |                           #分支结构
                              </\1>  (?<-Open>)       #狭义平衡组,遇到结束标记,出栈,Open计数减1
                          |                           #分支结构
                              (?:(?!</?\1\b).)*       #右侧不为开始或结束标记的任意字符
                          )*                          #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
                      </\1>                           #结束标记“</tag>”
                     ";
foreach (string tag in tagList)
{
     Match match = Regex.Match(html, string.Format(pattern, Regex.Escape(tag)));
     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 = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?isx)                              #匹配模式,忽略大小写,“.”匹配任意字符
                      <div[^>]*>                              #开始标记“<div...>”
                          (?>                                 #分组构造,用来限定量词“*”修饰范围
                              <div[^>]*>  (?<Open>)(?<Mask>)  #遇到开始标记,入栈,Open和Mask计数各加1
                          |                                   #分支结构
                              </div>  (?<-Open>)              #遇到结束标记,出栈,Open计数减1
                          |                                   #分支结构
                              (?:(?!</?div\b).)*              #右侧不为开始或结束标记的任意字符
                          )*                                  #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
                      </div>                                  #结束标记“</div>”
                      ");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
     richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="1">
    1
    <div id="2">
        2
    </div>
</div>
--------------------
*/

命名捕获组“(?<Mask>)”只入栈不出栈,如果内部有嵌套,则“(?<Mask>)”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“(?<Mask>)”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 = @"<div id=""0"">
    0
</div>
<div id=""1"">
    1
    <div id=""2"">
        2
    </div>
</div>";
Regex reg = new Regex(@"(?is)<div[^>]*>(?:(?!</?div\b).)*</div>");
MatchCollection mc = reg.Matches(test);
foreach (Match m in mc)
{
      richTextBox2.Text += m.Value + "\n--------------------\n";
}
/*--------输出--------
<div id="0">
    0
</div>
--------------------
<div id="2">
        2
    </div>
--------------------
*/

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<string> 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<string> list = new List<string>();
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<StringBuilder> list = new List<StringBuilder>();
            List<string> groups = new List<string>();
            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。

到此这篇关于.NET正则基础之平衡组的文章就介绍到这了,更多相关正则平衡组内容请搜索PHP之友以前的文章或继续浏览下面的相关文章希望大家以后多多支持PHP之友!

相关内容